SVD分解
SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是由于SVD能够说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。本节讨论SVD分解相关数学问题，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。
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全部元素都为零的方阵
3. 单位矩阵：假设对角矩阵中全部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，假设存在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：考虑下面矩阵
该矩阵特征值λ1 = 30,λ2 = 20,λ3 = 1。相应的特征向量
如果VT=(2,4,6) 计算S x VT
有上面计算结果能够看出，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，假设忽略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。
矩阵分解
1. 方阵的分解
1) 设S是M x M方阵，则存在下面矩阵分解
当中U
的列为S的特征向量，
为对角矩阵，当中对角线上的值为S的特征值，按从大到小排列：
2) 设S是M x M 方阵，而且是对称矩阵，有M个特征向量。则存在下面分解
当中Q的列为矩阵S的单位正交特征向量，
仍表示对角矩阵，当中对角线上的值为S的特征值，按从大到小排列。最后，QT=Q-1，由于正交矩阵的逆等于其转置。
2. 神秘值分解
上面讨论了方阵的分解，可是在LSA中，我们是要对Term-Document矩阵进行分解，非常显然这个矩阵不是方阵。这时须要神秘值分解对Term-Document进行分解。神秘值分解的推理使用到了上面所讲的方阵的分解。
如果C是M x N矩阵，U是M x M矩阵，当中U的列为CCT的正交特征向量，V为N x N矩阵，当中V的列为CTC的正交特征向量，再如果r为C矩阵的秩，则存在神秘值分解：
当中CCT和CTC的特征值同样，为
Σ为M
X N，当中
，其余位置数值为0，
的值按大小降序排列。下面是Σ的完整数学定义：
σi称为矩阵C的神秘值。
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。
神秘值分解的图形表示：
从图中能够看到Σ尽管为M x N矩阵，但从第N+1行到M行全为零，因此能够表示成N x N矩阵，又因为右式为矩阵相乘，因此U能够表示为M x N矩阵，VT能够表示为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，当中X也就是两矩阵之差的F范数要尽可能的小。
SVD能够被用与求低阶近似问题，过程例如以下：
1.
给定一个矩阵C，对其神秘值分解：
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)神秘值设为零。
3.
计算Ck：
回顾在基础知识一节里以前讲过，特征值数值的大小对矩阵-向量相乘影响的大小成正比，而神秘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。完整的证明能够在Introduction to Information Retrieval[2]中找到。
我们如今也清楚了LSA的基本思路：LSA希望通过减少传统向量空间的维度来去除空间中的“噪音”，而降维能够通过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。
