LSI(LSA)潜在语义索引原理及sklearn中的实现

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/brink_compiling/article/details/76237871

想要了解潜在语义索引的原理推荐以下三个链接，仔细看下就能基本掌握LSI的原理：

1.文本主题模型之潜在语义索引（LSI）

2.奇异值分解(SVD)原理与在降维中的应用

3.latent semantic analysis via the singular value decomposition

LSI的核心在于svd，在sklearn中提供了svd的实现。具体接口如下：

sklearn.decomposition.TruncatedSVD(n_components=2, algorithm='randomized', n_iter=5, random_state=None, tol=0.0)
#通过给定好需要提取的components数目
#将样本作为参数传入fit或fit_transform方法即可