向量与向量空间（vector space）

在维基百科关于向量空间的介绍中，并未提及构成向量空间的「向量」的具体形态，即它未必是我们通常理解的3维或者 nn 维的实数空间，只是提及对加法和数乘封闭。

0. 向量的使用

向量：大小和方向；
方向的意义在于，比如日常用到的邮政编码，相对顺序是很要紧的；
存储数据
在一些问题的求解中，引进一个辅助向量 D→\overrightarrow D，它的每一个分量 D→i\overrightarrow D_i可以富裕特定的物理意义，比如在图论当中求解最短路径问题时，从开始点 vv 到其他每个终点 viv_i 的最短路径的长度。

1. 向量空间

这里引入一个新的向量空间，比如：all 3×33\times 3 matrices. 也即矩阵也是一种向量（将 Rn\mathbb R^n 的概念延伸至 Rn×n\mathbb R^{n\times n}），只不过需要要求矩阵满足加法和数乘（乘法和向量空间没有关系），显然满足，即两个 3×33\times 3 的矩阵相加仍然是 3×33\times 3 的矩阵，一个 3×33\times 3的矩阵和一个数（scalar）相乘也仍旧是 3×33\times 3的矩阵。此时，我们单独考察 3×33\times 3 的向量空间或称作矩阵空间对数乘封闭这一性质，进而可以得到一种升级版的线性组合（linear combination），此时因为轴（axis）的关系，对应的编程实现便不再是np.dot，而应是np.tensordot，关于numpy下的多维数组的轴的讨论，请参阅numpy中多维数组的轴（axis）。
```
>>> np.random.seed(123)
>>> X = np.random.randint(0, 6, [3, 2, 2])
>>> X
array([[[5, 2],[4, 2]],[[1, 3],[2, 3]],[[1, 1],[0, 1]]])>>> np.tensordot(X, [1, 1, 1], axes=([0], [0]))
array([[7, 6],[6, 6]])# 我们可将[1, 1, 1]替换为任一长度为3的数组# 数学含义即为矩阵空间的线性组合
# 等价于
>>> np.sum(X, axis=0)
array([[7, 6],[6, 6]])
```
2. 矩阵空间其相关的子空间的维数

这里顺便澄清一下维数的定义，

定义：线性空间 VV 中线性无关向量所含向量的最大个数称为 VV 的维数（dimension）。

我们考察如下的矩阵空间（∀3×3\forall\;3\times 3，MM）的一个子空间（subspace），如所有 3×33\times 3 的对角矩阵（diagonal matrices，仍然保持对加法和数乘的封闭），它的维数是多少？

并非3*3==9，而是3，极大线性无关组所含向量的个数嘛，比如如下的一组线性无关组：

⎡⎣⎢1,0,0,0,0,0,000⎤⎦⎥,⎡⎣⎢1,0,0,0,3,0,000⎤⎦⎥,⎡⎣⎢0,0,0,0,0,0,007⎤⎦⎥.

\begin{bmatrix} 1, &0,&0\\ 0,&0,&0\\ 0,&0,&0 \end{bmatrix}, \begin{bmatrix} 1, &0,&0\\ 0,&3,&0\\ 0,&0,&0 \end{bmatrix}, \begin{bmatrix} 0, &0,&0\\ 0,&0,&0\\ 0,&0,&7 \end{bmatrix}.

再比如对称矩阵的维数为6，上三角矩阵的维数也为6。

3. 对不同的子空间取并（S∪US\cup U）还是取和（S+US+U）

为什么我们对两个子空间的并集（union）不感兴趣，比如对称矩阵构成的子空间（SS）与上三角矩阵构成的子空间（UU），而它们的交集构成对角矩阵（S∩U=DS\cap U=D）。是因为此时 S∪US\cup U 构成的子空间不再是线性空间。

此时将 S∪US\cup U 约束为 S+US+U（direct sum，any element of SS +（向量加法） any element of UU=all 3*3 matrices）

这里又引申出另外一条重要的公式，维数公式：
定理（维数公式）：如果 V1,V2V_1,\;V_2是数域 KK上的线性空间 VV的两个子空间，那么有如下的公式：

dimV1+dimV2=dim(V1+V2)+dim(V1∩V2)

\dim V_1+\dim V_2=\dim (V_1+V_2)+\dim (V_1\cap V_2)
也即 dim(V1+V2)=dimV1+dimV2−dim(V1∩V2)\dim (V_1+V_2)=\dim V_1+\dim V_2-\dim(V_1\cap V_2)

向量与向量空间（vector space）相关推荐

向量空间 Vector Space -- 推荐系统
文章目录 1. 算法解析 2. 基于相似用户做推荐 3. 基于相似歌曲做推荐 4. 总结音乐App的功能越来越强大,不仅可以自己选歌听,还可以根据你听歌的口味偏好, 给你推荐可能会喜爱的音乐,有时候 ...
向量空间 vector space
向量空间表示为 R1,R2,R3,R4,...,Rn\bf{R}^1, \bf{R}^2, \bf{R}^3, \bf{R}^4, ..., \bf{R}^nR1,R2,R3,R4,...,Rn . ...
nlp论文——《Efficient Estimation of Word Representations in Vector Space》（向量空间中词表示的有效估计）
目录 <Efficient Estimation of Word Representations in Vector Space> 第一课时:论文导读 (1)语言模型 (2)词向量简介-- ...
大数据入门10：向量空间模型（Vector Space Model）
文章目录向量空间模型(Vector Space Model) 0. 概述 1. TF(Term frequency ,TF) 2. IDF(Inverse document frequency,ID ...
向量空间模型算法( Vector Space Model )
概念介绍向量空间模型(VSM:Vector Space Model)由Salton等人于20世纪70年代提出,并成功地应用于文本检索系统. VSM概念简单,把对文本内容的处理简化为向量空间中的向量 ...
自然语言处理(NLP)-1.3 向量空间模型(Vector Space Models)
1.向量空间模型(Vector Space Models) 1.1 基本概念定义:向量空间模型将单词或文本用向量表示,通过上下文来获取其语义信息功能:识别两文本/两类文档间的相似度和独立性例: ...
NLP --- 文本分类（向量空间模型（Vector Space Model）VSM）
本节主要介绍文本分类中的一种算法即向量空间模型,这个算法很经典,包含文本预处理.特征选择.特征权值计算.分类算法.这是VSM的几个主要步骤,在宗老师的书里都有详细的讲解,这里也会进行深入的讲解,浅显易 ...
数学基础 - 线性空间（Vector Space）
线性空间(Vector Space) 定义(Definition) 设V是一个非空集合,P是一个域: 加法: ∀α,β∈V ∀ α , β ∈ V \forall \; \alpha,\beta \i ...
论文翻译解读：Efficient estimation of word representations in vector space【Word2Vec】
文章目录简要信息重点内容概括 Efficient estimation of word representations in vector space 摘要 1 介绍 1.1 论文目标 1.2 以 ...
【论文解读 ICLR 2020 | Jure Leskovec组】Query2box: Reasoning over KGs in Vector Space using Box Embedding
论文题目:Query2box: Reasoning over Knowledge Graphs in Vector Space using Box Embeddings 论文来源:ICLR 2020 ...

向量与向量空间（vector space）

0. 向量的使用

1. 向量空间

2. 矩阵空间其相关的子空间的维数

3. 对不同的子空间取并（S∪US\cup U）还是取和（S+US+U）

向量与向量空间（vector space）相关推荐

最新文章

热门文章

向量与向量空间（vector space）

0. 向量的使用

1. 向量空间

2. 矩阵空间其相关的子空间的维数

3. 对不同的子空间取并（S∪US\cup U） 还是取和（S+US+U）

向量与向量空间（vector space）相关推荐

最新文章

热门文章

3. 对不同的子空间取并（S∪US\cup U）还是取和（S+US+U）