Motori di ricerca (SEO) - SlimyGap SlimyGap.us.us da Bsat Bsat

Singular Value Decomposition (SVD) è un metodo statistico potente e completamente automatico usato da Latent Semantic Analysis (LSA)

L'algoritmo SVD. è O (N2 k3), dove N è il numero di termini + documenti, k è il numero di dimensioni dello spazio concetto SlimyGap.us. L'algoritmo SVD è inutilizzabile per una grande, collezione dinamica perché è difficile trovare il numero di dimensioni.

Latent Semantic Indexing (LSI) è lento a causa di questo metodo SVD per creare spazi di concetto. LSI presuppone che vi sia una certa struttura di fondo o latente nell'uso parola che è parzialmente oscurato da variabilità nella scelta delle parole. Quindi, un tronco di decomposizione in valori singolari (SVD) è utilizzato per stimare la struttura nell'uso di parola tra documenti. Retrieval viene eseguita utilizzando il database dei valori singolari e vettori ottenuti dalla SVD troncato. I dati mostrano che questi vettori statisticamente derivati ​​sono più robusti indicatori di significato che di terms.SVD individuale e LSI sono metodi minimi quadrati. La proiezione nello spazio semantico latente è scelta in modo che le rappresentazioni nello spazio originale vengono cambiati il ​​meno possibile quando misurata dalla somma dei quadrati di queste differenze. La proiezione trasforma vettore del documento n-dimensionale parola spazio in un vettore in space.One ridotta k-dimensionale può concludere o dimostrare che SVD è unico, cioè, vi è solo una possibile decomposizione di una data matrice. Perché SVD trova una proiezione ottimale in uno spazio dimensionale basso, che è la proprietà chiave per parola modelli di co-occorrenza.