1) latent semantic indexing
潜在语义标引
1.
At the same time, the feedback ntework is performed to learn user interests and latent semantic indexing.
采用话题为基本单位,分析了信息的特征,建立的用户兴趣模型;根据用户反馈来动态地了解用户的兴趣变化,提出了潜在语义标引的过滤算法,并依据用户设定的不良信息库更有效地过滤出用户所需要的信息。
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) latent semantic
潜在语义
1.
Web community detection with latent semantics;
基于潜在语义的网络社区发现
2.
New model of supervised latent semantic indexing
一种新的监督潜在语义模型
补充资料：标引
| 标引 indexing 通过对文献的分析，选用确切的检索标识（类号、标题词、叙词、关键词、人名、地名等），用以反映该文献的内容的过程。主要指选用检索语言词或自然语言词反映文献主题内容，并以之作为检索标识的过程。Indexing一词，音译为引得法或意译为索引法，系指索引的编制技术与方法。现代外语辞典中则说明此词有2解，一指索引法，一指标引。 标引是文献加工中的重要环节。通过标引，文献工作者赋予文献以检索标识，指明其内容特征的主题类属，而后用以配合书目信息编制出各种目录和索引，或存储于计算机内，以实现文献的检索。标引可按使用检索语言的类型区分，使用分类检索语言时 ，称为分类标引 ；使用主题检索语言时，称为主题标引。主题标引又分为受控标引与非控标引。受控标引指须由事先指定的叙词表（主题词表）中选用相应规范词，对文献进行标引。非控标引又称自由词标引，指不设规范词表而由标引人员直接选用文献内自然语言词，对文献进行标引。标引的实质，是按文献的内容特征对其进行主题类属的划分与区分。F.W.兰开斯特认为，主题标引包括两个很不相同的智力工作步骤，即主题分析与用词的转换。所谓用词的转换，指选用相应的检索语言规范词标明文献的主题类属。因此，标引是主题分析与用词表达两个步骤的结合。标引的质量，对文献的检索效果有直接的决定性影响。衡量标引的质量，一般采用两个客观上可比的指标，即：穷举度与一致性。标引穷举度，指标引时是否将文献所讨论的全部主题反映出来；标引一致性，是指不同标引人员或同一标引人员在不同时期，对同一主题文献标引时，对其主题归属的一致程度。从文献检索的角度看，穷举度高，有利于提高查全率，一致性强，则有利于提高查准率。由于计算机化检索系统的建立和文献数据库的应用，出现了自动标引。自动标引是指利用计算机对文献自动进行标引，以代替人的脑力劳动。自动标引有两种形式：抽词标引与赋词标引。无论抽词标引或赋词标引，首先都需要将文献转化为机读形式。抽词标引以文献内词的出现频率作为是否取为标引词（用作检索标识的检索词，亦称索引词）的判据。设立频率阈时，一般以相对频率代替绝对频率效果较好。赋词标引则须将词表存入机内，作为计算机对比选用标引词的依据。为了解决汉语文献的自动标引，须解决汉语中词的自动切分问题。 |
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