|
Ein weiteres Verfahren, inhaltliche Ähnlichkeiten zwischen Termen oder Termgruppen aus
Dokumentensammlungen zu gewinnen, ist die Latent Semantic Indexing
genannte Methode, die von Deerwester, Dumais, Furnas, Landauer und Harshman
(1990)
[->]
beschrieben wurde. Allerdings
werden diese Strukturen nur sehr bedingt zugänglich gemacht.
Das Verfahren setzt auf der Term-Dokument-Matrix
W
auf, die in Gleichung (194
)
in Abschnitt 3.5.2
eingeführt wurde.
Der durch diese Matrix beschriebene hochdimensionale Vektorraum wird
auf einen Vektorraum mit erhebliche kleinerer Dimension
reduziert, der durch ein der Faktorenanalyse ähnliches Verfahren
bestimmt wird. Dazu wird die Matrix
W
mit einem
Singular-Value-Decomposition-Verfahren in die Form
gebracht, wobei
T
und
D
orthonormale Spalten haben
und
S
eine Diagonalmatrix ist, mit entlang der
Hauptdiagonalen absteigenden, nicht negativen Einträgen.
Der niedrigdimensionale Vektorraum wird nun dadurch
erzeugt, dass in der mittleren Matrix
S
lediglich die ersten
r
Zeilen beibehalten und alle anderen Diagonalelemente
auf
0
gesetzt werden. Dadurch, dass die
Elemente in der Hauptdiagonalen der Größe nach geordnet
vorliegen, sollen so die wesentlichen Eigenschaften erhalten bleiben.
Experimente mit der Methode zeigen, dass sich bei der MED-Dokumentensammlung
(siehe Abbildung 41
) Verbesserungen
im Precision-Recall-Diagramm ergeben; bei der CISI-Sammlung ergeben sich
dagegen keine Verbesserungen. Die Autorinnen und Autoren vermuten, dass
das an der Zusammenstellung der Sammlungen liegt. CISI scheint erheblich
homogener zu sein als MED.
|
