WikiDer > Обобщенная модель векторного пространства

Эта статья может быть сбивает с толку или неясно читателям. Пожалуйста, помоги нам прояснить статью. Возможно обсуждение этого вопроса на страница обсуждения. (Январь 2010 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

В Обобщенная модель векторного пространства является обобщением векторная космическая модель используется в поиск информации. Вонг и другие.^[1] представили анализ проблем, связанных с предположением о попарной ортогональности векторная космическая модель (VSM) создает. Отсюда они расширили VSM до модели обобщенного векторного пространства (GVSM).

Определения

GVSM вводит межчленные корреляции, которые осуждают допущение попарной ортогональности. В частности, фактор рассматривал новое пространство, где каждый член вектора т_я выражалась как линейная комбинация 2^п векторов м_р куда г = 1 ... 2^п.

Для документа d_k и запрос q функция подобия теперь становится:

${ displaystyle sim (d_ {k}, q) = { frac { sum _ {j = 1} ^ {n} sum _ {i = 1} ^ {n} w_ {i, k} * w_ { j, q} * t_ {i} cdot t_ {j}} {{ sqrt { sum _ {i = 1} ^ {n} w_ {i, k} ^ {2}}} * { sqrt { sum _ {i = 1} ^ {n} w_ {i, q} ^ {2}}}}}}$

куда т_я и т_j теперь векторы 2^п пространственное пространство.

Корреляция сроков ${ displaystyle t_ {i} cdot t_ {j}}$ может быть реализован несколькими способами. Например, Wong et al. использует матрицу частот встречаемости терминов, полученную в результате автоматической индексации, в качестве входных данных для своего алгоритма. Термин «появление» и «выход» - это термин «корреляция» между любой парой значений индекса.

Семантическая информация о GVSM

Существует как минимум два основных направления внедрения термина в соответствие термину, помимо точного соответствия ключевых слов, в модель поиска:

1. вычислять семантические корреляции между терминами
2. вычислить статистику совпадения частот из больших корпусов

Недавно Цацаронис^[2] сосредоточился на первом подходе.

Они измеряют семантическую взаимосвязь (SR) с помощью тезауруса (О) подобно WordNet. Он учитывает длину пути, захваченную компактностью (СКМ) и глубина пути, полученная с помощью семантической обработки пути (SPEОни оценивают ${ displaystyle t_ {i} cdot t_ {j}}$ внутренний продукт:

${ displaystyle t_ {i} cdot t_ {j} = SR ((t_ {i}, t_ {j}), (s_ {i}, s_ {j}), O)}$

куда s_я и s_j смысл терминов т_я и т_j соответственно, максимизируя ${ Displaystyle SCM cdot SPE}$.

Опираясь также на первый подход, Вайтелонис и др. al.^[3] вычислили семантическую взаимосвязь из Связанные открытые данные ресурсы, включая DBpedia так же хорошо как Таксономия YAGOТаким образом, они используют таксономические отношения между семантическими сущностями в документах и ​​запросах после связывание именованных сущностей.

Рекомендации