O Decomposition singular do valor (SVD) é um método estatístico poderoso e inteiramente automático usado pela análise semântica latente (LSA). O algoritmo de SVD é O (N2 k3), onde N é o número dos termos + dos originais, k é o número das dimensões no espaço do conceito. O algoritmo de SVD é unusable para uma coleção grande, dinâmica porque é duro encontrar o número das dimensões.

O Indexing semântico latente (LSI) é lento por causa de usar este método de SVD criar espaços do conceito. O LSI supõe que há alguma estrutura subjacente ou latente no uso da palavra que é obscurecido parcialmente pelo variability na escolha da palavra. Assim, um decomposition singular truncado do valor (SVD) é usado estimar a estrutura no uso da palavra através dos originais. A recuperação é executada então usando a base de dados de valores singulares e dos vetores obtidos do SVD truncado. Os dados mostram que estes vetores estatìstica derivados são indicadores mais robust do meaning do que de termos individuais.

SVD e o LSI são métodos least-squares. A projeção no espaço semântico latente é escolhida de modo que as respresentações no espaço original sejam mudadas o menos possível quando medidas pela soma dos quadrados destas diferenças. A projeção transforma o vetor de um original no espaço dimensional da palavra de n em um vetor no espaço reduzido k-dimensional.

Um pode conclir ou provar que SVD é original, isto é, há somente um decomposition possível de uma matriz dada. Porque SVD encontra uma projeção optimal a um espaço dimensional baixo, aquela é a propriedade chave para testes padrões da co-ocorrência da palavra.

Article Source: http://www.articleset.com