2) latent semantic analysis(LSA)
潜在语义分析
1.
This paper puts forward a Web services filtrate method based on Latent Semantic Analysis(LSA).
该文提出一种基于潜在语义分析的Web服务筛选方法,将服务的基本描述和服务质量描述以树形结构属性模板表示,采用一定的词频统计和权重方法构建潜在语义空间,生成广告服务索引数据库,根据服务请求进行筛选。
2.
The basic idea of Latent Semantic Analysis(LSA) is described in the introduction of the paper.
对潜在语义分析(Latent Semantic Analysis,LSA)的理论基础进行了介绍,研究了潜在语义分析在中文短文写作自动评分领域的应用方法。
3.
To the weight update of Latent Semantic Analysis(LSA)model,this paper proposes an adaptive weight update algorithm based on Bayesian theory(ALSAB).
针对潜在语义分析(LSA)模型的权重更新问题,提出了一种基于贝叶斯理论的自适应权重更新算法ALSAB。
3) latent semantic analysis
潜在语义分析
1.
Latent Semantic Analysis of Chinese Information;
中文信息的潜在语义分析
2.
Applying Latent Semantic Analysis in Chinese Information Processing;
潜在语义分析在中文信息处理中的应用
3.
Research on Chinese Concept Retrieval Based on Latent Semantic Analysis;
基于潜在语义分析的中文概念检索研究
4) Latent Semantic Analysis Language Model
潜在语义分析语言模型
5) Probabilistic Latent Semantic Analysis(PLSA)
概率潜在语义分析
1.
The image blocks were first extracted on a regular grid and the visual words in blocks were used to describe every block,and then block latent semantic models were achieved by using Probabilistic Latent Semantic Analysis(PLSA).
该方法首先对图像进行均匀分块并使用分块内视觉词汇的出现频率来描述每一个分块,然后利用概率潜在语义分析(PLSA)方法从图像的分块集合中发现潜在语义模型,最后利用该模型提取出潜在语义在图像分块中的出现情况来进行场景分类。
6) probabilistic latent semantic analysis
概率潜在语义分析
1.
By combining the probabilistic Latent Semantic Analysis (pLSA) that can cluster random data into respective aspects and content-based collaborative filtering, a novel load forecasting model based on normalized Gaussian probabilistic latent semantic analysis collaborative filtering is proposed in order to avoid see.
本文提出利用概率潜在语义分析使历史随机数据呈现出各种有规律的示象(aspect),结合对内容的协同过滤技术去建立用电量预测模型,从而利用统计学习的方法避开了对影响系统输出的隐含变元的寻找与刻画。
2.
The paper proposes a novel memory-based collaborative filtering algorithm—Multi-label Probabilistic Latent Semantic Analysis based Collaborative Filtering,which improves the quality of recommendations by reducing the dimension of the user-rating-data matrix by multi-label probabilistic latent semantic analysis when the matrix is extremely sparse.
首先将概率潜在语义分析法中的隐变量集固定为项目的多类属集,明确隐变量的意义,限制隐变量的变化范围;而后迭代学习隐变量的分布,即用户的兴趣模型,压缩用户评分矩阵;最后用学到的兴趣模型度量用户的相似度,对目标用户做出推荐。
补充资料：改进
改变旧有情况，使有所进步：～工作ㄧ操作方法有待～。
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