我目前正在开发一个程序，根据其语义（含义）比较两段文本。我知道有一些像lingpipe这样的库提供了比较字符串距离的有用方法，但是我听说LSA是测量文本相似度的最佳方法。
我对使用LSA测量文本相似性感到困惑。据我所知，这个过程是LSA，
1.Two passages are represented as two matrices X and Y.
2.Using SVD, the matrices each are reduced to 3 different matrices
3.And then the cosine distance is measured between the two matrices
4. The cosine distance determines how similar they are
我只是想知道...
一个。在SVD中，矩阵减少到3个更小的矩阵。那么这些较小的矩阵中的哪一个用于余弦距离测量？
B中。余弦距离通常应用于矢量。因此，在将它们应用于矩阵的情况下，我假设迭代矩阵并且在每2个矢量之间测量余弦距离。然后假设所有这些距离的平均值是这两个矩阵之间的最终余弦距离？
我知道这是一个非常小众的话题，但我希望对这两个问题有所了解。谢谢
答案 0 :(得分：2)
我认为你开始走错了路。
段落集合表示为type x document矩阵。
也就是说，行代表＆＃39;字＆＃39;收集;列代表集合的段落。
（这里您可能希望将TF-IDF加权方案应用于矩阵。）
使用SVD，您可以将这样的矩阵（M）分解为三个矩阵（U，S和V），以便
M = U * S * Vt
S是以递减顺序排序的M的奇异值的对角矩阵。
您可以通过保留k第一个奇异值并将其他值设置为0来执行降维。
现在，您可以使用前面的等式重新生成type x document矩阵，并开始计算行向量（即类型相似性）或列向量（即通过相似度）之间的余弦相似性。