潜在语义分析中的SVD和SDD算法比较研究

摘要

当前信息检索技术面临着各种信息资源更新越来越快,用户检索结果要求越来越精确的严重挑战,如何有效地找到所需信息因而成为了一个关键问题,语义检索是解决这一问题的非常有潜力的方法。语义检索的核心要点是基于概念的检索匹配机制。潜在语义分析(LSA)是实现概念检索的重要方法之一。它的出发点就是文本中的词与词之间存在某种联系,即存在某种潜在的语义结构。目前存在着SVD和SDD这两种构造典型LSA空间的算法。
　　本文首先介绍了语义检索的相关知识。然后分别介绍了潜在语义分析中奇异值分解(SVD)和半离散矩阵分解(SDD)这两种矩阵分解算法的理论基础和实现过程。最后,分别从数学特性分析的角度和具体的信息检索应用实例来分析比较这两种矩阵分解算法。通过对SVD和SDD这两种算法的对比研究,可知半离散矩阵分解方法作为一种新的构造潜在语义空间的方法,在信息检索应用中也具有和奇异值分解方法同等的检索效果。SDD算法不仅弥补了传统SVD算法无法大规模应用的局限,而且结合它压缩比大等优点为基于LSA的信息检索提供了一种新的有效可行的矩阵构造算法。
　　SDD算法可以应用于数据压缩、文本分类、特征提取、数据过滤等领域,本文研究成果可以为SDD算法在语义检索中的应用提供理论依据。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与研究意义

1.2 国内外研究概况

1.3 研究内容

2 语义检索的相关技术

2.1 语义检索概述

2.2 基于潜在语义分析的信息检索

2.3 本章小结

3 SVD和SDD数学特性对比研究

3.1 半离散矩阵分解的概述

3.2 SVD和SDD数学特性对比分析

3.3 本章小结

4 基于SVD和SDD的信息检索对比研究

4.1 词语-文档矩阵的构造

4.2 采用SVD和SDD方法进行矩阵分解

4.3 查询的构造和相关度的计算

4.4 基于SVD和SDD的信息检索的应用实例

4.5 本章小结

5 总结与展望

致谢

参考文献