بررسی روش های SVD و NMF برای آنالیز مفهومی پنهان
| دسته بندی | مقالات ترجمه شده isi |
| بازدید ها | 0 |
| فرمت فایل | doc |
| حجم فایل | 338 کیلو بایت |
| تعداد صفحات فایل | 6 |
نام مجله :
International Journal of Recent Trends in Engineering
عنوان مقاله:
Evaluation of SVD and NMF Methods for Latent Semantic Analysis
Abstract -Different mathematical techniques are being developed
to reduce the dimensionality of data within large datasets,
for robust retrieval of required information. Latent
Semantic Analysis (LSA), a modified low rank approximation
form of Vector Space Model, can be used for detecting underlying
semantic relationships within text corpora. LSA performs
a low-rank approximation on term-document matrix,
which is generated by transforming textual data into a vector
representation, thereby bringing out the semantic connectedness
present among the documents of the corpus. Singular
Value Decomposition (SVD) is the traditional approximation
method used for LSA, wherein lower dimensional components
from the decomposition are truncated. On truncation, the linguistic
noise present in the vector representation is removed,
and the semantic connectedness is made visible. One of the
pitfalls of using SVD is that the truncated matrix will have
negative components, which is not natural for interpreting
the textual representation. Nonnegative Matrix Factorization
(NMF) addresses this issue by generating non-negative
parts-based representation as the low rank approximation for
performing LSA. The paper provides an in-depth overview of
how both methods are being used for the purpose of Information
Retrieval. Performance evaluation of the methods has
been performed using standard test datasets.
بررسی روش های SVD و NMF برای آنالیز مفهومی پنهان
چکیده
تکنیکهای ریاضیاتی مختلفی به منظور کاهش ابعاد دادهها در مجموعه دادههای بزرگ، برای بازیابی مناسب اطلاعات موردنیاز ایجاد میشوند. آنالیز پنهان مفهومی (LSA)، شکل تقریب اصلاح شدهی مدل فضای برداری با رتبه کم است که میتوان از آن برای شناسایی روابط مفهومی بسیار مهم در مجموعه نوشتارهای متنی استفاده کرد. LSA یک تقریب با رتبه کم را بر روی ماتریس جمله-سند[1] انجام میدهد، که با تبدیل دادههای متنی به یک نمایش برداری ایجاد میشود، و در نتیجه ارتباط معنایی موجود میان اسناد مجموعه نوشتارهای متنی را بیان میکند. تجزیهی مقادیر تکین (SVD) یک روش تقریب متعارف است که برای LSA استفاده میشود، که در آن مولفهها با ابعاد کمتر حاصل از تجزیه کوتاه میشوند. در کوتاهسازی، نویز زبانی موجود در نمایش برداری حذف میشود، و ارتباط مفهومی قابل مشاهده میشود. یکی از مشکلات استفاده از SVD این است که ماتریس کوتاه شده دارای مولفههای منفی خواهد بود، که برای بیان نمایش متنی عادی نیست. فاکتورگیری نامنفی ماتریس[2] (NMF) با ایجاد بیان مبتنی بر بخشهای نامنفی به عنوان تقریب رتبه کم برای انجام LSA به این مساله میپردازد. این مقاله بررسی جامعی در مورد نحوه استفاده از هر دو روش به منظور بازیابی اطلاعات انجام میدهد. ارزیابی عملکرد این روشها با استفاده از مجموعه دادههای آزمایشی استاندارد انجام شده است.