本文主要是介绍NLP07：基于潜在隐语义索引的文本相似度计算，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1.潜在隐语义索引(LSI)概述
潜在语义索引(Latent Semantic Indexing,以下简称LSI)，有的文章也叫Latent Semantic Analysis（LSA）。其实是一个东西，后面我们统称LSI，它是一种简单实用的主题模型。LSI是基于奇异值分解（SVD）的方法来得到文本的主题的。
这里我们简要回顾下SVD：对于一个 m × n m \times n m×n的矩阵 A A A，可以分解为下面三个矩阵：
A m × n = U m × m Σ m × n V n × n T A_{m \times n} = U_{m \times m}\Sigma_{m \times n} V^T_{n \times n} Am×n=Um×mΣm×nVn×nT
有时为了降低矩阵的维度到k，SVD的分解可以近似的写为：
A m × n ≈ U m × k Σ k × k V k × n T A_{m \times n} \approx U_{m \times k}\Sigma_{k \times k} V^T_{k \times n} Am×n≈U
这篇关于NLP07：基于潜在隐语义索引的文本相似度计算的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
