潛在語義分析中的SVD和SDD算法比較研究.pdf

1、當(dāng)前信息檢索技術(shù)面臨著各種信息資源更新越來越快,用戶檢索結(jié)果要求越來越精確的嚴(yán)重挑戰(zhàn),如何有效地找到所需信息因而成為了一個關(guān)鍵問題,語義檢索是解決這一問題的非常有潛力的方法。語義檢索的核心要點(diǎn)是基于概念的檢索匹配機(jī)制。潛在語義分析(LSA)是實(shí)現(xiàn)概念檢索的重要方法之一。它的出發(fā)點(diǎn)就是文本中的詞與詞之間存在某種聯(lián)系,即存在某種潛在的語義結(jié)構(gòu)。目前存在著SVD和SDD這兩種構(gòu)造典型LSA空間的算法。
　　本文首先介紹了語義檢索的相關(guān)知

2、識。然后分別介紹了潛在語義分析中奇異值分解(SVD)和半離散矩陣分解(SDD)這兩種矩陣分解算法的理論基礎(chǔ)和實(shí)現(xiàn)過程。最后,分別從數(shù)學(xué)特性分析的角度和具體的信息檢索應(yīng)用實(shí)例來分析比較這兩種矩陣分解算法。通過對SVD和SDD這兩種算法的對比研究,可知半離散矩陣分解方法作為一種新的構(gòu)造潛在語義空間的方法,在信息檢索應(yīng)用中也具有和奇異值分解方法同等的檢索效果。SDD算法不僅彌補(bǔ)了傳統(tǒng)SVD算法無法大規(guī)模應(yīng)用的局限,而且結(jié)合它壓縮比大等優(yōu)點(diǎn)為基