latent semantic analysis note...3 lsa 如何解决这些问题 lsa...
TRANSCRIPT
Latent semantic analysis note By: Zhou Li ([email protected])
Blog: http://foreveralbum.yo2.cn
Code&Doc: http://code.google.com/p/lsa-lda/
July 29, 2009
1 LSA Introduction
LSA(latent semantic analysis)潜在语义分析,也被称为 LSI(latent semantic index),是 Scott
Deerwester, Susan T. Dumais 等人在 1990 年提出来的一种新的索引和检索方法。该方法和传
统向量空间模型(vector space model)一样使用向量来表示词(terms)和文档(documents),并通
过向量间的关系(如夹角)来判断词及文档间的关系;而不同的是,LSA 将词和文档映射到潜
在语义空间,从而去除了原始向量空间中的一些“噪音”,提高了信息检索的精确度。
2 传统方法的缺点
传统向量空间模型使用精确的词匹配,即精确匹配用户输入的词与向量空间中存在的词。由
于一词多义(polysemy)和一义多词(synonymy)的存在,使得该模型无法提供给用户语义层面
的检索。比如用户搜索”automobile”,即汽车,传统向量空间模型仅仅会返回包含”automobile”
单词的页面,而实际上包含”car”单词的页面也可能是用户所需要的。
下面是 LDA 原始 Paper[1]里举的一个例子:
上图是一个 Term-Document 矩阵,X 代表该单词出现在对应的文件里,星号表示该词出现在
查询(Query)中,当用户输入查询”IDF in computer-based information look up” 时,用户是希望
查找与信息检索中 IDF(文档频率)相关的网页,按照精确词匹配的话,文档 2 和 3 分别包
含查询中的两个词,因此应该被返回,而文档 1 不包含任何查询中的词,因此不会被返回。
但我们仔细看看会发现,文档 1 中的 access, retrieval, indexing, database 这些词都是和查询
相似度十分高的,其中 retrieval 和 look up 是同义词。显然,从用户的角度看,文档 1 应该
是相关文档,应该被返回。再来看文档 2:computer information theory,虽然包含查询中的
一次词 information,但文档 2 和 IDF 或信息检索无关,不是用户需要的文档,不应该被返回。
从以上分析可以看出,在本次检索中,和查询相关的文档 1 并未返回给用户,而无查询无关
的文档 2 却返回给了用户。这就是同义词和多义词如何导致传统向量空间模型检索精确度的
下降。
3 LSA 如何解决这些问题
LSA 潜在语义分析的目的,就是要找出词(terms)在文档和查询中真正的含义,也就是潜在语
义,从而解决上节所描述的问题。具体说来就是对一个大型的文档集合使用一个合理的维度
建模,并将词和文档都表示到该空间,比如有 2000 个文档,包含 7000 个索引词,LSA 使用
一个维度为 100 的向量空间将文档和词表示到该空间,进而在该空间进行信息检索。而将文
档表示到此空间的过程就是 SVD 奇异值分解和降维的过程。降维是 LSA 分析中最重要的一
步,通过降维,去除了文档中的“噪音”,也就是无关信息(比如词的误用或不相关的词偶
尔出现在一起),语义结构逐渐呈现。相比传统向量空间,潜在语义空间的维度更小,语义
关系更明确。
4 SVD 分解[2]
SVD 分解是 LSA 的数学基础,本节讨论 SVD 分解相关数学问题。本节一个分为 3 个部分,第
一部分讨论线性代数中的一些基础知识,第二部分讨论 SVD 矩阵分解,第三部分讨论低阶
近似。本节讨论的矩阵都是实数矩阵。
4.1 基础知识
1. 矩阵的秩:矩阵的秩是矩阵中线性无关的行或列的个数
2. 对角矩阵:对角矩阵是除对角线外所有元素都为零的方阵
3. 单位矩阵:如果对角矩阵中所有对角线上的元素都为零,该矩阵称为单位矩阵
4. 特征值:对一个 M x M 矩阵 C 和向量 X,如果存在 λ 使得下式成立
则称 λ 为矩阵 C 的特征值,X 称为矩阵的特征向量。非零特征值的个数小于等于矩阵的
秩。
5. 特征值和矩阵的关系:考虑以下矩阵
该矩阵特征值 λ1 = 30,λ2 = 20,λ3 = 1。对应的特征向量
假设 VT=(2,4,6) 计算 S x VT
有上面计算结果可以看出,矩阵与向量相乘的结果与特征值,特征向量有关。观察三个
特征值 λ1 = 30,λ2 = 20,λ3 = 1,λ3 值最小,对计算结果的影响也最小,如果忽略 λ3,那
么运算结果就相当于从(60,80,6)转变为(60,80,0),这两个向量十分相近。这也表示了数
值小的特征值对矩阵-向量相乘的结果贡献小,影响小。这也是后面谈到的低阶近似的
数学基础。
4.2 矩阵分解
1. 方阵的分解
1) 设 S 是 M x M 方阵,则存在以下矩阵分解
其中 U 的列为 S 的特征向量, 为对角矩阵,其中对角线上的值为 S 的特征值,
按从大到小排列:
2) 设 S 是 M x M 方阵,并且是对称矩阵,有 M 个特征向量。则存在以下分解
其中 Q 的列为矩阵 S 的单位正交特征向量, 仍表示对角矩阵,其中对角线上的
值为 S 的特征值,按从大到小排列。最后,QT=Q-1,因为正交矩阵的逆等于其转置。
2. 奇异值分解
上面讨论了方阵的分解,但是在 LSA 中,我们是要对 Term-Document 矩阵进行分解,
很显然这个矩阵不是方阵。这时需要奇异值分解对 Term-Document 进行分解。奇异值
分解的推理使用到了上面所讲的方阵的分解。
假设 C 是 M x N 矩阵,U 是 M x M 矩阵,其中 U 的列为 CCT 的正交特征向量,V 为 N x N
矩阵,其中 V 的列为 CTC 的正交特征向量,再假设 r 为 C 矩阵的秩,则存在奇异值分解:
其中 CCT 和 CTC 的特征值相同,为
Σ 为 M X N,其中 ,其余位置数值为 0, 的值按大小降序排列。以下是
Σ 的完整数学定义:
σi 称为矩阵 C 的奇异值。
用 C 乘以其转置矩阵 CT 得:
上式正是在上节中讨论过的对称矩阵的分解。
奇异值分解的图形表示:
从图中可以看到 Σ 虽然为 M x N 矩阵,但从第 N+1 行到 M 行全为零,因此可以表示成
N x N 矩阵,又由于右式为矩阵相乘,因此 U 可以表示为 M x N 矩阵,VT可以表示为 N x
N 矩阵
3. 低阶近似
LSA 潜在语义分析中,低阶近似是为了使用低维的矩阵来表示一个高维的矩阵,并使两
者之差尽可能的小。本节主要讨论低阶近似和 F-范数。
给定一个 M x N 矩阵 C(其秩为 r)和正整数 k,我们希望找到一个 M x N 矩阵 Ck,其秩不
大于 K。设 X 为 C 与 Ck之间的差,X=C – Ck,X 的 F-范数为
当 k 远小于 r 时,称 Ck为 C 的低阶近似,其中 X 也就是两矩阵之差的 F 范数要尽可能
的小。
SVD 可以被用与求低阶近似问题,步骤如下:
1. 给定一个矩阵 C,对其奇异值分解:
2. 构造 ,它是将 的第 k+1 行至 M 行设为零,也就是把 的最小的 r-k 个(the r-k
smallest)奇异值设为零。
3. 计算 Ck:
回忆在基础知识一节里曾经讲过,特征值数值的大小对矩阵-向量相乘影响的大小成正
比,而奇异值和特征值也是正比关系,因此这里选取数值最小的 r-k 个特征值设为零合
乎情理,即我们所希望的 C-Ck 尽可能的小。完整的证明可以在 Introduction to Information
Retrieval[2]中找到。
我们现在也清楚了 LSA 的基本思路:LSA 希望通过降低传统向量空间的维度来去除空间
中的“噪音”,而降维可以通过 SVD 实现,因此首先对 Term-Document 矩阵进行 SVD
分解,然后降维并构造语义空间。
5 LSA 技术细节[1][3]
本节主要讨论 LSA 技术细节的理论部分,具体代码层面分析和实践在第 7 节讨论。
LSA 的步骤如下:
1. 分析文档集合,建立 Term-Document 矩阵。
2. 对 Term-Document 矩阵进行奇异值分解。
3. 对 SVD 分解后的矩阵进行降维,也就是奇异值分解一节所提到的低阶近似。
4. 使用降维后的矩阵构建潜在语义空间,或重建 Term-Document 矩阵。
下面是 Introduction to Latent Semantic Analysis 里面的一个例子,描述了完整的 LSA 步骤,例
子后面有我的补充:
假设文档集合如下:
原始的 Term-Document 矩阵如下:
对其进行奇异值分解:
然后对分解后的矩阵降维,这里保留{S}的最大两个奇异值,相应的{W}{P}矩阵如图,注意{P}
在公式中需要转置。
到了这一步后,我们有两种处理方法,论文 Introduction to Latent Semantic Analysis 是将降维
后的三个矩阵再乘起来,重新构建了{X}矩阵如下:
观察{X}矩阵和{X^}矩阵可以发现:
{X}中 human-C2 值为 0,因为 C2 中并不包含 human 单词,但是{X^}中 human-C2 为 0.40,表
明 human 和 C2 有一定的关系,为什么呢?因为 C2:”A survey of user opinion of computer
system response time”中包含 user 单词,和 human 是近似词,因此 human-C2 的值被提高了。
同理还可以分析其他在{X^}中数值改变了的词。
以上分析方法清晰的把 LSA 的效果显示出来了,也就是在{X^}中呈现出了潜在语义,然后希
望能创建潜在语义空间,并在该空间中检索信息。这里以比较两个单词为例:
设奇异值分解形式为:X = T S DT,T 代表 term,s 代表 single value 矩阵,D 代表 Document,
DT 表示 D 的转置。X 的两个行向量点乘的值代表了两个词在文档中共同出现的程度。比如
T1 在 D1 中出现 10 词,T2 在 D1 中出现 5 次,T3 在 D1 中出现 0 词,那么只考虑在 D1 维度
上的值,T1(dot)T2=50,T1(dot)T2=0,显然 T1 与 T2 更相似,T1 与 T3 就不那么相似。那么
用矩阵 X(dot)XT就可以求出所有词与词的相似程度。而由奇异值分解的公式的:
X(dot)XT = T(dot)S2(dot)TT = TS(dot)(TS)T
上面公式表明了,我们想求 X(dot)XT的(i,j)个元素时,可以点乘 TS 矩阵的第 i 和 j 列来表示。
因此我们可以把 TS 矩阵的行看作是 term 的坐标,这个坐标就是潜在语义空间的坐标。同理
我们还可以推出 XT(dot)X = D(dot)S2(dot)DT,从而 DS 的行表示了文档的坐标。
这样,我们就获得了所有文档和单词在潜在语义空间的坐标,这时我们就可以通过向量间的
夹角来判断两个对象的相似程度,方法和传统向量空间模型相同。接下来主要讨论下检索文
本的步骤。
用户输入的检索语句被称为伪文本,因为它也是有多个词汇构成,和文本相似。所以很自然
的想法就是将该伪文本转换为文档坐标,然后通过比较该伪文档与每个文档的空间夹角,检
索出该伪文本的相关文档。设 Xq 表示伪文本的列向量,其中该列代表文档集合的索引词,
该列的值代表伪文本中该索引词出现的次数。比如一个文档集合有索引词{T1,T2,T3},伪文
本为 t1,t3,t2,t1,则 Xq={2,1,1}。获得 Xq后,通过公式
Dq = XqT T S-1
计算伪文档的文档坐标。其中 T 和 S 分别代表奇异分解中得到的矩阵(S = T S DT).注意上面的
公式中 S-1 代表 S 的逆矩阵。
Dq 计算出来后,就可以迭代比较 Dq 和文档集合中所有所有文档,计算两者个 cosine 夹角
6 LSA 实践
本节主要讨论 LSA的实现,编程语言使用 C++,环境 Linux gcc,使用了GNU Scientific Library[5]。
本节代码可以在 http://code.google.com/p/lsa-lda/找到。
1. 创建 Term-Document 矩阵
LSA 是基于向量空间模型的,因此首先需要创建一个 M x N 的 Term-Document 矩阵,其
中行表示每一个词,列表示每一个文档。而矩阵的值等于相应词的 TF*IDF 值。待检索
的文档集合放在程序根目录下的 corpus 文件夹,每一个文档一个文件。
首先需要创建语料的单词列表,作为 T-D 矩阵的列向量,每一个单词对应一个 id。
CreateVectorSpace.cc
Function int CreateKeyWordMap()
// 循环读入每个文档
while((ent=readdir(currentDir))!=NULL)
{
//omit . and ..
if((strcmp(ent->d_name,".")==0)||(strcmp(ent->d_name,"..")==0))
continue;
else
{
//read each file in directory 'corpus'
string filename = "./corpus/";
filename += ent->d_name;
ifstream in(filename.c_str());
// check if file open succeeded
if (!in)
{
cout<<"error, cannot open input file"<<endl;
return -1;
}
Parse(); //分析单词
在循环的过程中,识别每一个单词,并判断该单词是否为 stop word。英文的 stop word
可以在 ftp://ftp.cs.cornell.edu/pub/smart/english.stop 找到。
CreateVectorSpace.cc
Function Parse()
// read one char each time
// then recognize a word and check if it is in the stop list
void Parse(ifstream *in,int *wordIndex)
{
string pendingWord;
char ch;
while (1)
{
……
if (!LETTER(ch)) /*after recognized a word*/
{
if (!stoplist.count(pendingWord))
{
/*if not exist in the list*/
if (wordList.find(pendingWord) == wordList.end())
{
wordList.insert(make_pair(pendingWord,*wordIndex));
(*wordIndex)++;
}
}
……
接下来需要处理单词,由于英文单词有前缀和后缀,如单词的单复数(book->books),过
去时(like->liked),这些词虽然形式不同但含义相同,因此要将它们处理为同一的形式,
也就是单词的原型。相关的算法为 Porter Stemming[6]算法。
获得单词列表后,就可以构造 T-D 矩阵了,过程是依次读入每个文档,遇到单词列表中
存在的词,相应的矩阵单元加 1。这里用到了 GSL 的几个函数,用法可参考 GSL 手册[5]。
CreateVectorSpace.cc
Function CreateMatrix()
gsl_matrix* CreateMatrix()
{
……
// 分配 T-D 矩阵空间
gsl_matrix * mtx = gsl_matrix_alloc(wordList.size(),docList.size());
map<string, int>::const_iterator map_it = docList.begin();
// for each document
while (map_it != docList.end())
{
…..
// 如果当前单词在单词列表中存在
if (wordList.find(pendingWord) != wordList.end())
{
// 矩阵相应的单元值加 1
gsl_matrix_set (mtx, wordList[pendingWord], map_it->second,
gsl_matrix_get(mtx, wordList[pendingWord], map_it->second)+1);
wordCount[map_it->second] += 1;
}
……
现在已经创建了 T-D 矩阵,但是矩阵单元值为单词在文档中出现的频率,因此下一步是
求每个单词的 TF*IDF 值[7]。TF 代表单词在某一文档中出现的频率,IDF 为 inverse
document frequency,代表的含义是如果一个单词在很多文档中都出现了,那么用它来
区分文档的价值就降低。具体公式:
SVD.CC
Function CreateTfIdfMatrix()
gsl_matrix* CreateTfIdfMatrix()
{
……
double termfrequence = gsl_matrix_get(mtx,i,j)/wordCount[j];
double idf = log((double)docList.size()/(double)getDocumentFrequence(mtx,i));
gsl_matrix_set(mtx,i,j,termfrequence*idf);
……
至此 T-D 矩阵创建完成。
2. SVD 分解
SVD 分解使用 GSL 库中的 gsl_linalg_SV_decomp 函数
// SVD.cc
// Function CountSVD(gsl_matrix *)
void CountSVD(gsl_matrix* mtx)
{
// S = U S V^T so first let's allocate U,S,V these three matrix
v_mtx = gsl_matrix_alloc(docList.size(),docList.size()); /*V is a N by N matrix*/
s_vct = gsl_vector_alloc(docList.size()); /*S is stored in a n-d vector*/
gsl_vector * workspace =
gsl_vector_alloc(docList.size()); /* workspace for gsl function*/
gsl_linalg_SV_decomp(mtx, v_mtx, s_vct, workspace);
}
3. 降维
降维在程序你实现十分简单,也就是给矩阵(由于是对角矩阵,因此程序里表示为向量)
赋值零。
SVD.cc
Function ReduceDim(int)
void ReduceDim(int keep)
{
for (int i=keep;i<docList.size();i++)
gsl_vector_set(s_vct,i,0);
}
4. 查询
SVD 分解完成后,我们就已经获得了潜在语义空间,接下来就可以接受用户的输入,将
伪文本转换到文档坐标,然后通过比较向量的夹角,找出相关文档。
void Query(string query)
{
// transform query into LSA space
istringstream stream(query);
string word;
//为 Xq 创建 gsl 向量, Xq 表示伪文本的列向量
gsl_vector * q_vct = gsl_vector_alloc(wordList.size());
// 为 Dq 创建 gsl 向量,Dq 表示伪文本的文档向量
gsl_vector * d_vct = gsl_vector_alloc(LSD);
// 首先计算 Xq
while (stream >> word)
{
if (wordList.count(word)!=0) /*word is in the list*/
gsl_vector_set(q_vct,wordList[word],
gsl_vector_get(q_vct,wordList[word])+1);
}
// Dq = Xq' T S^-1
// 再求 Xq'乘 T
for (int i = 0; i < LSD; i++)
{
double sum = 0;
for (int j = 0; j < wordList.size(); j++)
sum += gsl_vector_get(q_vct,j) * gsl_matrix_get(mtx,j,i);
gsl_vector_set(d_vct,i,sum);
}
// 最后求(Xq' T) S^-1
for (int k = 0; k < LSD; k++)
gsl_vector_set(d_vct, k,
gsl_vector_get(d_vct,k) * (1/gsl_vector_get(s_vct,k)));
//用文档集合中每个文档和 Dq 比较
for (int l=0;l<docList.size();l++)
{
……
// 求两向量夹角,返回 cosine 值
relation = CompareVector(d_vct, temp_d_vct, LSD);
}
}
5. 测试
我们先用以前讨论过的文档集
将 C1~M4 分别保存到 9 个文件里,放到 corpus 文件夹
运行程序,输入格式为 lsa.out [query]
./lsa.out human computer interaction
可以看出与主题最相关的文档是 C3,其次是 C1。C1~C5 文件是同主题文档,主题是人
机互交,而 M1~M4 的共同主题是计算机图形。而查询”human computer interaction”
显然描述的是人机互交。因此也可以从结果看到 C1~C5 的相关度全部都高于 M1~M4
文档。最后,观察 C3,C5 文档,它们并不包含任何查询中的词,而计算出的相似度却
不为 0,并且 C3 的相似度达 0.999658,这也正是 LSA 潜在语义的效果。
下面是文档两两比较后的结果表格(已导入到 Excel)
上图 1~9 和 A~B 都分别代表文档{C1,C2,C3,C4,C5,M1,M2,M3,M4}
上图非常清晰的显示出了文档的关系:
先来看[1~5][A~E]也就是第 1~5 行,A~E 列,由于文档 C1~C5 是一个主题的文档,所以
可以看出[1~5][A~E]都大于 0.9,而[1~5][F~I]都不超过 0.5,也表明 C1~C5 文档与 M1~M4
文档主题是不相干的。
同理可以分析[6~9][F~I]。
上面的讨论表明,潜在语义分析在主题分类上效果明显。如果设定一个分类的阈值,比
如 0.8,那么上面 9 个文档就被自动分为了{C1,C2,C3,C4,C5}和{M1,M2,M3,M4}
在另一个测试中,我从 New York Times 网站收集的 6 个主题,每个主题 5 篇文章
搜索” what a great day”结果如下:
伪文本坐标(0.00402821,-0.0183549,0.00361756),每个文档的相关度如上图。如果设定
检索阈值为 0.9,那么文档 movie2,sport4,art2 会被返回。
7 总结
LSA 通过对潜在语义空间的建模,提高的信息检索的精确度。而后又有人提出了
PLSA(Probabilistic latent semantic analysis)和 LDA(Latent Dirichlet allocation),将 LSA 的思想带
入到概率统计模型中。
LSA 对一词多义问题依然没有解决,仅仅解决了一义多词。因为 LSA 将每一个词表示为潜在
语义空间中的一个点,因此一个词的多个意义在空间中对于的是一个点,没有被区分。
8 References
[1] Deerwester, S., Dumais, S. T., Furnas, G. W., Landauer, T. K., & Harshman, R.(1990). Indexing
By Latent Semantic Analysis. Journal of the American Society For Information Science, 41,
391-407. 10
[2] Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to
Information Retrieval, Cambridge University Press. 2008.
[3] Thomas Landauer, P. W. Foltz, & D. Laham (1998). "Introduction to Latent Semantic Analysis".
Discourse Processes 25: 259–284.
[4] Michael Berry, S.T. Dumais, G.W. O'Brien (1995). Using Linear Algebra for Intelligent
Information Retrieval. Illustration of the application of LSA to document retrieval.
[5] http://www.gnu.org/software/gsl/manual/html_node/
[6] http://tartarus.org/~martin/PorterStemmer/
[7] http://en.wikipedia.org/wiki/TF_IDF
9 External Link
[1] http://code.google.com/p/lsa-lda/
本文中程序的代码实现和 LSA 相关资料
[2] http://en.wikipedia.org/wiki/Latent_semantic_analysis
LSA 的 WIKI 条目,有 LSA 的大致介绍
[3] http://lsa.colorado.edu/
Colorado 大学的一个 LSA 项目,提供了基于 LSA 的 terms 比较,文本比较等
[4] http://www.bluebit.gr/matrix-calculator/
在线矩阵计算工具,可计算 SVD
10 Further Reading
[1] Thomas Hofmann, Probabilistic Latent Semantic Indexing, Proceedings of the Twenty-Second
Annual International SIGIR Conference on Research and Development in Information Retrieval
(SIGIR-99), 1999
[2] Blei, David M.; Ng, Andrew Y.; Jordan, Michael I (January 2003). "Latent Dirichlet allocation".
Journal of Machine Learning Research 3: pp. 993–1022. doi:10.1162/jmlr.2003.3.4-5.993
(inactive 2009-03-30).