基于LSI/SVD的文本分类方法研究

• 来源期刊: 科技与创新
• 关键词: 向量空间模型 信息检索 潜在语义索引/奇异值分解 特征项赋权因子
• 年，卷（期）: 2009,（30）
• 所属期刊栏目: 博士论坛
• 页码范围: 10-12
• 页数: 3页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.2095-6835.2009.30.004

摘要

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.仿真实验表明,该方法相对于传统向量空间模型更加高效实用.