主要内容

萨莫代尔

潜在语义分析（LSA）模型

展开所有页面

描述

潜在语义分析（LSA）模型发现文档及其包含的单词之间的关系。LSA模型是一种降维工具，可用于在高维单词计数上运行低维统计模型。如果该模型使用n-grams包模型进行拟合，则软件将n-grams视为单个单词。

创建

使用Fitlsa.功能。

特性

展开全部

组件数，指定为非负整数。组件数是结果向量的维数。更改NumComponents.更改结果向量的长度，而不影响初始值。你只能设置NumComponents.要小于或等于用于适合LSA模型的组件数量。

例子：100

指数缩放功能组件优势记录分数和词谱属性，和使改变函数，指定为非负标量。LSA模型通过其奇异值（特征优势）来缩放属性，具有指数featureestrengthexponent / 2.。

例子：2.5

分量权重，指定为数值向量。LSA模型的分量权重为奇异值的平方。组件重量是一个1-by-NumComponents.向量j条目对应于部件的重量j这个components are ordered by decreasing weights. You can use the weights to estimate the importance of components.

每个输入文档的分数向量，指定为矩阵。LSA模型的文档分数是用于适合LSA模型的每个文档的较低尺寸空间的分数矢量。记录分数是A.D.-借-NumComponents.矩阵在哪里D.是用于适应LSA模型的文档数（i，j）第条记录分数对应于组件的分数j在文件中一世。

每个组件的单词分数，以矩阵形式指定。LSA模型的单词分数是LSA模型每个组件中每个单词的分数。词谱是A.V.-借-NumComponents.矩阵在哪里V.中的字数是多少词汇这个（v，j）第条词谱对应于单词的分数V.在组件中j。

模型中的唯一单词，指定为字符串向量。

数据类型：细绳

对象功能

使改变 将文档转换为低维空间

例子

全部崩溃

打开实时脚本

将潜在语义分析模型适合一系列文件。

加载示例数据。文件十四行诗预处理.txt包含Precrocessed版本的莎士比亚的十四行诗。该文件每行包含一个十四行诗，单词由空格分隔。从中提取文本十四行诗预处理.txt，将文本拆分为换行符的文档，然后授权文档。

filename =.“十四行诗预处理.txt”;str = inthelfiletext（filename）;textdata = split（str，newline）;文档= tokenizeddocument（textdata）;

使用创建一个单词包模型Bagofwords.。

BAG = BAGOFWORDS（文件）
BAG =具有属性的BagofWords：Counts：[154x3092双]词汇：[“最公平”“生物”“欲望”......] Numwords：3092 NumFocuments：154

适合20个组件的LSA模型。

numComponents=20；mdl=fitlsa（袋子，numComponents）
MDL = Lsamodel具有属性：NumComponents：20个组件重量：[2.7866E + 03 515.5889 443.6428 316.6428 316.4191 ......] DocumentCores：[154x20 Double] Wordcores：[3092x20双]词汇：[“最公平”“生物”“欲望”......] featuretrentryengexponent：2

使用LSA模型将新文档转换为较低的维度空间。

newdocuments = tokenizeddocument（[“什么名字？任何其他名字的玫瑰都会闻起来。”“如果音乐是爱的食物，那就继续演奏吧。”])；dscores=转换（mdl、新文档）
数据核=2×200.1338 0.1623 0.1680 -0.0541 -0.2464 -0.0134 -0.2604 -0.0205 0.1127 0.0627 0.3311 -0.2327 0.1689 -0.2695 0.0228 0.1241 0.1198 0.2535 -0.0607 0.0305 0.2547 0.5576 -0.0095 0.5660 -0.0643 -0.1236 0.0082 0.0522 -0.0690 -0.0330 0.0385 0.0803 -0.0373 0.0384 -0.00050.1943 0.0207 0.0278 0.0101 -0.0469
打开实时脚本

从某些文本数据创建一个单词袋式模型。

str=[“早餐，我喜欢火腿，鸡蛋和培根。”“我有时会跳过早餐。”“晚餐吃鸡蛋和火腿。”];文档=令授权鳕（str）;bag = bagofwords（文件）;

拟合包含两个组件的LSA模型。将特征强度指数设置为0.5。

NumComponents = 2;指数= 0.5;mdl = fitlsa（袋子，num components，......'featureestrengthexponent'，指数）
mdl=lsaModel，属性：NumComponents:2个组件权重：[16.2268 4.0000]文档分数：[3x2 double]WordScores:[14x2 double]词汇：[“我”喜欢“火腿”…]功能强度分量：0.5000

使用以下公式计算文档得分向量之间的余弦距离：Pdist..查看矩阵中的距离D.使用方形。D（i，j）表示文档之间的距离一世和j。

dscores = mdl.documentscores;距离= pdist（Dscores，'余弦')；D=正方形（距离）
D=3×30 0.6244 0.1489 0.6244 0 1.1670 0.1489 1.1670 0

通过在指南针图中绘制文档分数向量，可视化文档之间的相似性。

数字罗盘（双核（1,1）、双核（1,2），'红色的')持有在…上罗盘（Dscores（2,1），Dscores（2,2），“绿色”）指南针（DScores（3,1），Dscores（3,2），“蓝色”)持有关标题（“文档分数”)传奇([“文件1”“文件2”“文件3”],“位置”那“最好的方向”）

也可以看看

||||

话题

在R2017B中介绍

文本分析工具箱文档

万博1manbetx

在Matlab中的文本分析入门

在Matlab中的文本分析入门

现在就下载