1
SVD用於LSA中獲取潛在語義信息。我對關於SVD矩陣的解釋感到困惑。奇異值分解（SVD）用於潛在語義分析（LSA）生成矩陣的意義/意義
我們首先構建一個文檔項矩陣。然後使用SVD將其分解成3個矩陣。
例如：
的DOC-術語矩陣M1爲M×N，其中：
M = the number of documents
N = the number of terms
和M1被分解爲：
M1 = M2 * M3 * M4, where:
M2: M x k
M3: k x k
M4: k x N
我看到的解釋象下面：
M2座的k 列 s類似的類別語義。 M4的k 行代表主題。
我的問題是：
爲什麼爲k解釋像上面？我們如何知道它是類似的語義和主題？
爲什麼類似的語義等於話題？
爲什麼k的M2和M4
之間不同的解釋如何解讀M3？
我真的很困惑。看來這個解釋完全是任意的。那潛在的意思是？
如果'SVD'顯得過於武斷，請嘗試使用'PCA'代替。它們實際上是等價的，但'PCA'更容易說服自己，並且可以幫助解釋「SVD'解釋背後的許多原因。 「SVD」的完整解釋應該是數學交換，或者構成大部分線性代數課程。 –
我想這個問題是關於爲什麼k顯然在不同的矩陣中有一個類似的聲音 - 但是不同的名字的解釋。它真的嗎？ –
@ HeatherStark是的，這也應該是我的擔憂之一。感謝您指出。我更新了這個問題。 – smwikipedia