奇異值分解SVD應(yīng)用——LSI

在自然語言處理中，最常見的兩類的分類問題分別是，將文本按主題歸類（比如將所有介紹亞運會的新聞歸到體育類）和將詞匯表中的字詞按意思歸類（比如將各種體育運動的名稱個歸成一類）。這兩種分類問題都可用通過矩陣運算來圓滿地、同時解決。為了說明如何用矩陣這個工具類解決這兩個問題的，讓我們先來來回顧一下我們在余弦定理和新聞分類中介紹的方法。
分類的關(guān)鍵是計算相關(guān)性。我們首先對兩個文本計算出它們的內(nèi)容詞，或者說實詞的向量，然后求這兩個向量的夾角。當(dāng)這兩個向量夾角為零時，新聞就相關(guān)；當(dāng)它們垂直或者說正交時，新聞則無關(guān)。當(dāng)然，夾角的余弦等同于向量的內(nèi)積。從理論上講，這種算法非常好。但是計算時間特別長。通常，我們要處理的文章的數(shù)量都很大，至少在百萬篇以上，二次回標(biāo)有非常長，比如說有五十萬個詞（包括人名地名產(chǎn)品名稱等等）。如果想通過對一百萬篇文章兩篇兩篇地成對比較，來找出所有共同主題的文章，就要比較五千億對文章?，F(xiàn)在的計算機一秒鐘最多可以比較一千對文章，完成這一百萬篇文章相關(guān)性比較就需要十五年時間。注意，要真正完成文章的分類還要反復(fù)重復(fù)上述計算。
在文本分類中，另一種辦法是利用矩陣運算中的奇異值分解（Singular Value Decomposition，簡稱 SVD)?，F(xiàn)在讓我們來看看奇異值分解是怎么回事。首先，我們可以用一個大矩陣A來描述這一百萬篇文章和五十萬詞的關(guān)聯(lián)性。這個矩陣中，每一行對應(yīng)一篇文章，每一列對應(yīng)一個詞。

在上面的圖中，M=1,000,000，N=500,000。第 i 行，第 j 列的元素，是字典中第 j 個詞在第 i 篇文章中出現(xiàn)的加權(quán)詞頻（比如，TF/IDF)。讀者可能已經(jīng)注意到了，這個矩陣非常大，有一百萬乘以五十萬，即五千億個元素。
奇異值分解就是把上面這樣一個大矩陣，分解成三個小矩陣相乘，如下圖所示。比如把上面的例子中的矩陣分解成一個一百萬乘以一百的矩陣X，一個一百乘以一百的矩陣B，和一個一百乘以五十萬的矩陣Y。這三個矩陣的元素總數(shù)加起來也不過1.5億，僅僅是原來的三千分之一。相應(yīng)的存儲量和計算量都會小三個數(shù)量級以上。

三個矩陣有非常清楚的物理含義。第一個矩陣X中的每一列表示一類主題，其中的每個非零元素表示一個主題與一篇文章的相關(guān)性，數(shù)值越大越相關(guān)。最后一個矩陣Y中的每一列表示100個關(guān)鍵詞，每個key word與500，000個詞的相關(guān)性。中間的矩陣則表示文章主題和keyword之間的相關(guān)性。因此，我們只要對關(guān)聯(lián)矩陣A進行一次奇異值分解，w 我們就可以同時完成了近義詞分類和文章的分類。（同時得到每類文章和每類詞的相關(guān)性）。

比如降至2維（rank=2），則document-term的關(guān)系可以在下面二維圖中展現(xiàn)：

在圖上，每一個紅色的點，都表示一個詞，每一個藍色的點，都表示一篇文檔，這樣我們可以對這些詞和文檔進行聚類，比如說stock 和 market可以放在一類，因為他們老是出現(xiàn)在一起，real和estate可以放在一類，dads，guide這種詞就看起來有點孤立了，我們就不對他們進行合并了。按這樣聚類出現(xiàn)的效果，可以提取文檔集合中的近義詞，這樣當(dāng)用戶檢索文檔的時候，是用語義級別（近義詞集合）去檢索了，而不是之前的詞的級別。這樣一減少我們的檢索、存儲量，因為這樣壓縮的文檔集合和PCA是異曲同工的，二可以提高我們的用戶體驗，用戶輸入一個詞，我們可以在這個詞的近義詞的集合中去找，這是傳統(tǒng)的索引無法做到的。

現(xiàn)在剩下的唯一問題，就是如何用計算機進行奇異值分解。這時，線性代數(shù)中的許多概念，比如矩陣的特征值等等，以及數(shù)值分析的各種算法就統(tǒng)統(tǒng)用上了。在很長時間內(nèi)，奇異值分解都無法并行處理。（雖然 Google 早就有了MapReduce 等并行計算的工具，但是由于奇異值分解很難拆成不相關(guān)子運算，即使在 Google 內(nèi)部以前也無法利用并行計算的優(yōu)勢來分解矩陣。）最近，Google 中國的張智威博士和幾個中國的工程師及實習(xí)生已經(jīng)實現(xiàn)了奇異值分解的并行算法，我認為這是 Google 中國對世界的一個貢獻。

最后說說個人拙見，這里我們可以把document和term（word）中間加上一層latent semantics項，那么上圖中的X和Y矩陣就可以分別表示同一個latent semantics對不同document之間的相關(guān)性和同一latent semantics在不同terms之間的相關(guān)性聯(lián)系。X和Y的大小分別是m*r與r*n，r為A矩陣的rank（秩），最后，B是A的r個奇異值組成的對角方陣（r*r），在譜分解中也就是A的r個特征值。