说明：文章内容来源于课程视频和课程ppt。我只学习了课程没有做习题。文章不是翻译，是我对课程的理解。

上文提到文档排序函数是TR的核心。文档排序函数的实现有几种思路，其中一种是基于相似度的模型。这种模型具体是用空间向量模型(Vector Space Model)实现。这篇文章就介绍VSM。

VSM概念

什么是VSM

　VSM定义了两点。
　第一，用词向量(term vector)来表示查询语句、表示文档。英文中的term vector，我们翻译为词向量。但是这里的“词”并不是指汉语中的一个词，具体含义是：基本概念，可以是一个字、一个词、一个短语。每个词表示一个维度，N个词就可以定义N维空间。如上图所示，programming,libarary,presidential，分别定义了三个维度。查询语句的向量表示：q=(x1,x2,...xN)q=(x_1,x_2,...x_N)q=(x1,x2,...xN)，文档的向量表示：d=(y1,y2,...yN)d=(y_1,y_2,...y_N)d=(y1,y2,...yN)。
　第二，查询语句和文档的相关度正比于查询语句和文档的相似度：relevance(q,d)∝similarity(q,d)=f(q,d)relevance(q,d) ∝ similarity(q,d)=f(q,d)relevance(q,d)∝similarity(q,d)=f(q,d)

VSM没有定义的

1 怎么定义或者说怎么选择term。只说term是文档集中的基本概念，并未指明什么可以作为term。
　2 向量的表示。用什么值来计算查询向量和文档向量。
　3 相似度怎么计算。
　基于以上几点说VSM其实是一个框架frame。在实践中有好多版本的实现。继续往下看。

VSM实现

来源于ppt的例子。
　query=“news about presidential campaign”
　d1:"… news about …"
　d2:"… news about organic food campaign…"
　d3:"… news of presidential campaign …"
　d4:"… news of presidential campaign … … presidential candidate …"
　d5:"… news of organic food campaign… campaign…campaign…campaign…"

在这个例子中很理想的排序大概应该是：d4,d3。d1,d2,d5其实是不相关文档。

简单实现

BOW+bit-vector+dotproduct 这是一个最简单的实现。
　1 用文档中的每一个词定义一个维度。称为词袋模型(Bag of Word=BOW)。
　2 用Bit-Vector 表示向量。如果词出现则记为1，否则为0。xi,yi∈{0,1}x_i,y_i \in \{0,1\}xi,yi∈{0,1}。
　3 相似度通过点积(dot product)计算。
　最终表示
　q=(x1,x2....yn),xi∈{0,1}q=(x_1,x_2....y_n),x_i \in \{0,1\}q=(x1,x2....yn),xi∈{0,1}
　d=(y1,y2...yn),yi∈{0,1}d=(y_1,y_2...y_n),y_i \in \{0,1\}d=(y1,y2...yn),yi∈{0,1}
　sim(q,d)=x1y1+x2y2+....+xNyN=∑i=1Nxiyisim(q,d)=x_1y_1+x_2y_2+....+x_Ny_N=\sum_{i=1}^{N}x_iy_isim(q,d)=x1y1+x2y2+....+xNyN=∑i=1Nxiyi
　
　计算一下例子。
　V= {news, about, presidential, campaign, food …. }
　q= (1, 1, 1, 1, 0, …)
　d1= (1, 1, 0, 0, 0, …)
　d2= (1, 1, 0, 1, 0, …)
　d3= (1, 0, 1, 1, 0, …)
　…
　f(q,d1)=11+11+0…=2
　f(q,d2)=11+11+0+1*1+…=3
　…
　本算法中sim(q,d)函数的实质就是表示有多少个不同的查询词出现在文档中。
　在d2,d3,d4文档中各出现了3次，值为3,；在d1,d5文档中各出现了2次，值为2。

进阶实现

BOW+term frequency+dotproduct
　问题：d4中 “presidential ”的次数要比d2多，应该排在前面才对。
　解决策略就是使用词频这个信息。
　最终表示
　$q=(x_1,x_2…y_n),x_i 是词是词是词w_i在查询语句中出现次数在查询语句中出现次数　在查询语句中出现次数　d=(y_1,y_2…y_n),y_i 是词是词是词w_i在文档中出现次数在文档中出现次数　在文档中出现次数　sim(q,d)=x_1y_1+x_2y_2+…+x_Ny_N=\sum_{i=1}^{N}x_iy_i$
　
　计算一下例子。
　f(q,d4)=11+10+12+11+0+…=4
　f(q,d2)=…
　…

TF-IDF

BOW+TF-IDF+dotproduct
　
　
　问题：d2与d3，虽然都命中3个词，但是显然命中presidential比命中about得分要高。presidential含有更重要的信息嘛。
　解决策略：使用逆文档频率IDF，在越多文档中出现，权重越低。
　IDF=logM+1kIDF=log\dfrac{M+1}{k}IDF=logkM+1，M是文档集中文档数量，k是词在多少个文档中出现。
　
　可以看到当k=1的时候，IDF=log(M+1)；当k=M的时候IDF接近0。
　
　最终表示
　$q=(x_1,x_2…y_n),x_i 是词是词是词w_i在查询语句中出现次数在查询语句中出现次数　在查询语句中出现次数　d=(y_1,y_2…y_n),y_i =c(w_i,d)*IDF(w_i)，c(w_i,d)是是是w_i在文档中的出现次数，在文档中的出现次数，在文档中的出现次数，IDF(w_i)是是是w_i在整个文档集中的逆文档频率。在整个文档集中的逆文档频率。　在整个文档集中的逆文档频率。　sim(q,d)=x_1y_1+x_2y_2+…+x_Ny_N=\sum_{i=1}^{N}x_iy_i$
　
　计算例子
　V= {news, about, presidential, campaign, food …. }
　IDF(W)= 1.5 1.0 2.5 3.1 1.8
　f(q,d2)=5.6 ， f(q,d3)=7.1问题解决。但是f(q,d5)=13.9。我们在最开始就分析了排在前面的文档应该是d4，d3。

TF变形

sim(q,d)=f(q,d)=∑i=1Nxiyi=∑w∈q∩dc(w,q)c(w,d)logM+1df(w)sim(q,d)=f(q,d)=\sum_{i=1}^{N}x_iy_i=\sum_{w \in q\cap d}c(w,q)c(w,d)log\dfrac{M+1}{df(w)}sim(q,d)=f(q,d)=∑i=1Nxiyi=∑w∈q∩dc(w,q)c(w,d)logdf(w)M+1,df(w)是指词w的文档量。
　问题：d5的打分太高了：13.9，分值高是因为“campaign”的频率太高。当一个词从无到有，有重要价值。但一个文档中包含某个词3-5次，与10次基本上不会有太大差异。所以要适当降低词频的影响。
　解决方法1：被称为“亚线性变换(Sublinear TF Transformation)”。使用log函数。函数1：y=xy=xy=x，函数2：y=log(1+x)y=log(1+x)y=log(1+x)，函数1的增长率要比函数2大多了。
　

f(q,d)=∑w∈q∩dc(w,q)ln[1+c(w,d)]logM+1df(w)f(q,d)=\sum_{w \in q\cap d}c(w,q)ln[1+c(w,d)]log\dfrac{M+1}{df(w)}f(q,d)=∑w∈q∩dc(w,q)ln[1+c(w,d)]logdf(w)M+1

解决方法2：被称为“BM25变换”。这种变换需要为词频设置一个最大值。假设最大值为6，超过6的词频都没有区别。函数y=(k+1)xx+ky=\dfrac{(k+1)x}{x+k}y=x+k(k+1)x，函数值会无线接近于k+1。实践证明BM25变换是非常健壮和有效的(robust and effective)。
　
　

f(q,d)=∑w∈q∩dc(w,q)(k+1)c(w,d)c(w,d)+klogM+1df(w)f(q,d)=\sum_{w \in q\cap d}c(w,q)\dfrac{(k+1)c(w,d)}{c(w,d)+k}log\dfrac{M+1}{df(w)}f(q,d)=∑w∈q∩dc(w,q)c(w,d)+k(k+1)c(w,d)logdf(w)M+1

文档长度变形

问题：当一个文档很长的时候，会更容易出现一个词，一个词的频率也更可能高。所以我们需要惩罚一下长文档。一个文档很长可能因为两个原因：一种是文档内容很详细，做了很多必要的描述；还有一种情况是一个大的文档中讲述了很多内容，每个内容一个小的段落，这样的文档其实是一个一个的小文档。在第二种情况中，词的相关度计算出来是不同的：从长文档中计算与从短文档中计算。
　
　解决：算法称为Pivoted Length Normalization。这里同样也有一个参数需要选择：平均文档长度avdl。函数：normalizer=1−b+bdavdlnormalizer=1-b+b\dfrac{d}{avdl}normalizer=1−b+bavdld，参数b是惩罚因子，b∈[0,1]b \in [0,1]b∈[0,1]。
　
　normalizer会放在相似度函数f(q,d)f(q,d)f(q,d)的分母上。
　当b=0，所有值都为1，没有惩罚。
　当b>0，当文档长度<<<avdl，normalizer<1，f(q,d)会增加；当文档产度>avdl，normalizer>1，f(q,d)会减小。
　
　最后的公式
　TF亚线性变换：f(q,d)=∑w∈q∩dc(w,q)ln[1+c(w,d)]1−b+bdavdllogM+1df(w)f(q,d)=\sum_{w \in q\cap d}c(w,q)\dfrac{ln[1+c(w,d)]}{1-b+b\dfrac{d}{avdl}}log\dfrac{M+1}{df(w)}f(q,d)=∑w∈q∩dc(w,q)1−b+bavdldln[1+c(w,d)]logdf(w)M+1
　BM25变换：f(q,d)=∑w∈q∩dc(w,q)(k+1)c(w,d)c(w,d)+k(1−b+bdavdl)logM+1df(w)f(q,d)=\sum_{w \in q\cap d}c(w,q)\dfrac{(k+1)c(w,d)}{c(w,d)+k(1-b+b\dfrac{d}{avdl})}log\dfrac{M+1}{df(w)}f(q,d)=∑w∈q∩dc(w,q)c(w,d)+k(1−b+bavdld)(k+1)c(w,d)logdf(w)M+1
　
　考虑文档长度其实是把词频转为词频率，便于比较。

如何进一步提高VSM的效果

从词的维度改进。例如可以去掉停止词、做词的变换(stemmed words)、使用短语、语义索引、n元模型等待。
　改进相似度函数。例如可以用欧式距离、用余弦距离表示相似度。实践中证明点积还是最适合的。

文档排序--相似度模型--VSM相关推荐

文档排序模型--查询似然Query Likelihood
在概率模型中,我们定义排序函数是基于文档与查询之间的相关度.可能性来做的.f(d,q) = p(R=1|d,q), R ∈\in {0,1}.概率模型有几个小分类: 经典概率模型-->BM25 ...
python如何寻找两个相似的文件_如何计算两个文档的相似度（二）
上一节我们介绍了一些背景知识以及gensim , 相信很多同学已经尝试过了.这一节将从gensim最基本的安装讲起,然后举一个非常简单的例子用以说明如何使用gensim,下一节再介绍其在课程图谱上的应 ...
如何计算两个文档的相似度（一）
下面的内容转自我爱自然语言处理博客,感谢博主,学到很多东西. 原文链接:http://www.52nlp.cn/%E5%A6%82%E4%BD%95%E8%AE%A1%E7%AE%97%E4%B8%A ...
《预训练周刊》第45期：冻结语言模型、提示迁移性、快速文档排序
No.45 智源社区预训练组预训练研究观点资源活动周刊订阅告诉大家一个好消息,<预训练周刊>已经开启"订阅功能",以后我们会向您自动推送最新版的&l ...
文档词频矩阵_如何通过词向量技术来计算 2 个文档的相似度？
作者:吴俣https://www.zhihu.com/question/33952003/answer/135089460 Deep Learning 派系:(1)最简单的就是两个句子分别过一个CNN ...
HSL值，HSLA，文档流，盒子模型等问题。
HSL和HSLA值和上一篇文章中的rgb语法使用方法基本一样 H:色相,调节范围为0-360度,其实就是一个环,零度等于360度是红色,调节颜色. S:饱和度,调节颜色浓度,调节范围(0%-100% ...
HTML5+CSS3学习笔记（三）文档流和盒子模型【附练习：图片列表、左侧导航栏】
HTML5+CSS3学习笔记(三) 本系列更多文章,可以查看专栏 HTML+CSS学习笔记文章目录 HTML5+CSS3学习笔记(三) 一.CSS布局 1. 文档流(块级元素.行内元素.行内块元素) ...
java文档相似度计算,计算文档与文档的相似度
最近帮很多本科毕业生做文本数据分析,经常遇到的一个需求是计算文档相似度. 思路: 抽取语料(所有文档)中的词语,构建词典(词语与数字对应起来). 根据构建的词典对每个文档进行重新编码(将文档转化为向量 ...
【VR】Leap Motion 官网文档 HandModel（手部模型）
前言: 本系列译文是为迎合Unity VR的热潮与大家的学习需要,推出的针对Unity方向的Leap Motion官方文档中英对照翻译. 本篇为第六篇 <HandModel(手部模型)> ...

文档排序--相似度模型--VSM