1.Introduction

在向量模型中，將查詢和文檔均表示成同一空間下的向量，可以使用余弦相似度進行評分計算。但是，向量空間表示方法沒有能力處理自然語言理解中的兩個經典問題：一詞多義（polysemy）和一義多詞（synonymy）。使用LSI可以利用詞項的共現情況，將詞和文檔映射到潛在語義空間，從而去除了原始向量空間中的一些“噪音”，提高了信息檢索的精確度。

2.SVD分解

文檔集可以轉換成詞項-文檔矩陣，每一行代表一個詞項，每一列代表一個文檔，矩陣元素(t,d)代表詞項t在文檔d中出現的次數。將詞項-文檔矩

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的隐性语义索引(LSI)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。