일반화 벡터 공간 모형

이 글은 독자들에게 혼란스럽거나 불명확할 수 있다. 기사에 대해 명확하게 설명할 수 있도록 도와주십시오. 토크 페이지에서 이에 대한 논의가 있을 수 있다. (2010년 1월) (이 템플릿 메시지를 제거하는 방법과 시기 알아보기)

일반화된 벡터 공간 모델은 정보 검색에 사용되는 벡터 공간 모델을 일반화한 것이다. Wong 외 연구진은 벡터 공간 모델(VSM)의 쌍방향 직교성 가정이 생성하는 문제에 대한 분석을 제시했다.^[1] 여기서부터 그들은 VSM을 일반화된 벡터 공간 모델(GVSM)까지 확장했다.

정의들

GVSM은 항 대 항 상관 관계를 도입하며, 이는 쌍방향 직교성 가정을 부정한다. 좀 더 구체적으로, 인수는 새로운 공간을 고려했는데, 여기서 각 용어 벡터_i t는ⁿ 2 벡터_r m의 선형 조합으로 표현되었다. 여기서 r = 1...2ⁿ.

문서 d_k 및 질의 q의 경우 유사성 함수는 이제 다음과 같이 된다.

${\displaystyle sim(d_{k},q)={\frac {\sum _{j=1}^{n}\sum _{i=1}^{n}w_{i,k}*w_{j,q}*t_{i}\cdot t_{j}}{{\sqrt {\sum _{i=1}^{n}w_{i,k}^{2}}}*{\sqrt {\sum _{i=1}^{n}w_{i,q}^{2}}}}}}$

여기서 t와_i t는_j 2차원ⁿ 공간의 벡터가 된다.

용어상관 $t{\displaystyle {}_{}}$ ${\displaystyle i_{}}$ ${\displaystyle {}_{}}$ ${\displaystyle {}_{}}$ ${\displaystyle j_{}}$ ${\$는 여러 가지 방법으로 구현할 수 있다$$. 예를 들어, Wong 등. 자동 인덱싱에서 얻은 발생 빈도 매트릭스라는 용어를 알고리즘에 대한 입력으로 사용한다. 발생과 산출물은 모든 지수 항 쌍 간의 상관 관계 용어다.

GVSM의 의미 정보

검색 모델에 용어 대 용어 관련성을 포함하려면 정확한 키워드 일치 이외의 두 가지 기본 방향이 있다.

1. 용어들 간의 의미상 상관관계를 계산하다.
2. 대규모 기업에서 공동으로 작성한 통계를 계산한다.

최근 차타로니스는^[2] 첫 번째 접근법에 초점을 맞췄다.

워드넷과 같은 saurus(O)를 사용하여 의미 관련성(SR)을 측정한다. 콤팩트(SCM)에 의해 포착된 경로 길이와 의미 경로 정교화(SPE)에 의해 포착된 경로 깊이를 고려한다. 그들은 t ${\displaystyle i_{}}$ ${\displaystyle {}_{}}$ ${\displaystyle {}_{}}$ ${\displaystyle j_{}}$ ${\$ 이너$$ 제품을 다음과 같이 추정한다.

${\displaystyle t_{i}\cdot t_{j}=SR((t_{i},t_{j}),(s_{i},s_{j}),O)}}$

여기서 s와_i s는_j 각각 t와_i t 용어의_j 감각으로, $S{\displaystyle }$ ${\displaystyle C}$ ${\displaystyle M}$ ${\displaystyle \cdot }$ ${\displaystyle S}$ P ${\displaystyle E}$ ${\displaystyle SCM\cdot SPE}$을 최대화한다$.$

또한 첫 번째 접근법을 기반으로 구축된 Waitelonis 등에서는 YAGO 분류법뿐만 아니라 DBpedia를 포함한 Linked Open Data 자원에서 의미 관련성을 계산했다.^[3] 따라서 그들은 문서와 질의에서 의미론적 실체들 사이의 분류학적 관계를 명명된 실체 링크 후에 이용한다.

참조