1) LSI/SVD
潜在语义索引/奇异值分解
1.
Based on latent semantic indexing/Singular Value Decomposition(LSI/SVD) model,we use text similarity to describe relation semantic between terms and use truncation to reduce dimensionality about primitive term-text matrix.
论文通过分析传统向量空间模型(VSM)的信息检索模式和讨论基于特征项-文本矩阵的特征项赋权因子(TF-IDE)的赋值问题,提出以潜在语义索引/奇异值分解(LSI/SVD)方法为基础,采用文本相似度描述特征项语义间的联系,运用截断法来降低特征项-文本矩阵原始向量空间维数,解决特征项之间存在语义缺乏约束及向量空间维数过大的问题。
2) latent semantic indexing
潜在语义索引
1.
Text summary based on latent semantic indexing;
基于潜在语义索引的文本摘要方法
2.
Construction of user interest-model based on latent semantic indexing approach;
基于潜在语义索引技术的用户兴趣模型构建
3.
Research of Chinese-Text Retrieval Based on Latent Semantic Indexing;
基于潜在语义索引的中文文本检索研究
3) latent semantic index
潜在语义索引
1.
We studied the application of the LSI(latent semantic index) for FAQ construction in Chinese automatic question and answer system,and emphatically introduces computing technology in sentence similarity and experiment methods of using latent semantic index for FAQ repetition.
研究了潜在语义索引在中文自动问答系统FAQ库构建中的应用,并着重阐述了句子相似度的计算方法以及使用LSI对FAQ库去重的实验选取方法,结果显示LSI方法在一定程度上优于TF×IDF方法。
2.
Based on these observations, in this paper, we propose a new method called LSI-HC for reconstructing feature space based on latent semantic index (LSI) and hierarchical clustering (HC).
基于这些观察,本文采用了一个新的特征空间重构的方法解决高维度和噪音的问题——基于潜在语义索引(Latent Semantic Index,LSI)和层次聚类的特征空间重构方法LSI-HC;并在远程同源检测问题中采用精确度-召回率(Precision-Recall,PR)曲线来代替ROC曲线来评估算法的性能。
4) Latent Semantic Indexing(LSI)
潜在语义索引
1.
Latent Semantic Indexing(LSI) is a new document retrieval model that has been developed during the last ten years.
潜在语义索引具有可计算性强,需要人参与少等优点。
2.
Latent Semantic Indexing(LSI) is an effective method for Information Retrieval(IR),and it also has been successfully applied to text classification.
潜在语义索引(LSI)是一种有效的信息查询方法,同时也被成功地应用到了文本分类中。
3.
This paper proposed that latent semantic indexing(LSI) was used for Web text dimension reduction and feature extraction,and then the processed results was clustered by support vector clustering(SVC).
提出对网页文本提取特征值后,利用潜在语义索引对网页文本降维,采用支持向量聚类(SVC)算法对降维后的特征向量进行聚类,以此进行文本分类。
5) LSI
潜在语义索引
1.
Search Result Clustering Method Based on SOM and LSI
基于潜在语义索引和自组织映射网的检索结果聚类方法
2.
Latent Semantic Indexing (LSI) is a novel approach to information retrieval.
潜在语义索引(LSI)是近年发展起来的一种新的信息检索方法,本文以潜在语义索引技术为基础,从图书馆的个性化服务理念入手,介绍了图书馆个性化服务的现状,提出了图书馆个性化服务模型,详细讨论了应用潜在语义索引技术来建立用户个性化模型的系统结构和过程。
3.
This paper analyzes the relationship between terms from relevant text and semantics of images through SVD and constructs the LSI model of images to modify the present images retrieval systems whose performances are hurt by the problems of synonymy and polysemy.
应用奇异值分解方法,分析相关文本词条和图片语义的关系,构造了一个图片“潜在语义索引”模型,用于缓解传统的许多WEB图片检索系统在索引和查询中遇到的同义词和多义词问题,实现语义索引和查询实验表明,该模型能有效地改善图片的索引和查询性能。
6) generalized singular value decomposition
广义奇异值分解
1.
Then,by the generalized singular value decomposition,a general symmetric solution of the minimum residual problem is obtained.
首先,分别给出了与矩阵最小剩余问题及其最优近似问题等价的线性方程;其次,用广义奇异值分解得到了与最小剩余问题等价的线性方程的对称解,即最小剩余问题的对称解;最后,通过寻求与最优近似问题等价的线性方程的对称解,从而得到了矩阵的最优近似问题的最优近似解。
2.
The necessary and sufficient conditions for the solvability of such solutions are derived by using the generalized singular value decomposition.
利用广义奇异值分解,导出了矩阵方程(A*XA,B*XB)=(C,D)有Hermite部分是半正定的解、Hermite半正定的解的充分必要条件,同时给出了解的通式。
3.
By applying the singular value decomposition(SVD) and the generalized singular value decomposition(QSVD),the sufficient and necessary conditions and the normal solutions for the inverse problem of anti-centrosymmetric matrix with a sub-matrix constraint are given,and the optimal approximate solution is obtained.
利用矩阵奇异值分解以及矩阵对的广义奇异值分解,给出了子矩阵约束下反中心对称矩阵反问题有解的充要条件及其通解表达式,并得到了最佳逼近解。
补充资料：力学量的可能值和期待值
在量子力学中，力学量F用作用于波函数上的算符弲表示。在数学上，对于一个算符，满足
的函数 ui(r)称为弲的本征函数，式中Fi是与r无关的数,称为本征值。如果ui(r)描写微观粒子的状态,则它必须满足单值、连续和有限的标准条件。在这种限制之下，上式中的本征值可以取一系列分立值，或取一定范围内的连续数值。
在测量力学量F时,观察到的只能是它的本征值。若一个力学量的本征值具有分立谱，我们说这个力学量是量子化的。
量子力学中假定力学量的全部本征函数组成一个完全系；这意思是说：描写体系的任一状态的波函数ψ都可以用力学量的本征函数ui展开：
在ψ和ui都是归一化的情况下，上式中的展开系数сi具有如下的物理意义：在ψ态中测量力学量时,得到结果为Fi的几率是|сi|2。
因此，若微观粒子的定态波函数是某力学量算符的本征函数ui(r),则在这一状态中,力学量F取确定值Fi。
在ψ态中对力学量进行多次测量,把所得结果加以平均，就得出力学量在ψ态中的期待值，以〈F〉表示：
上式称为力学量的期待值公式。如果ψ不是归一化的，那么期待值公式应写为
的函数 ui(r)称为弲的本征函数，式中Fi是与r无关的数,称为本征值。如果ui(r)描写微观粒子的状态,则它必须满足单值、连续和有限的标准条件。在这种限制之下，上式中的本征值可以取一系列分立值，或取一定范围内的连续数值。
在测量力学量F时,观察到的只能是它的本征值。若一个力学量的本征值具有分立谱，我们说这个力学量是量子化的。
量子力学中假定力学量的全部本征函数组成一个完全系；这意思是说：描写体系的任一状态的波函数ψ都可以用力学量的本征函数ui展开：
在ψ和ui都是归一化的情况下，上式中的展开系数сi具有如下的物理意义：在ψ态中测量力学量时,得到结果为Fi的几率是|сi|2。
因此，若微观粒子的定态波函数是某力学量算符的本征函数ui(r),则在这一状态中,力学量F取确定值Fi。
在ψ态中对力学量进行多次测量,把所得结果加以平均，就得出力学量在ψ态中的期待值，以〈F〉表示：
上式称为力学量的期待值公式。如果ψ不是归一化的，那么期待值公式应写为
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条