Lucene 项向量多元贝叶斯模型期望最大化

Posted 2023-03-12

【中文标题】Lucene 项向量多元贝叶斯模型期望最大化

【英文标题】：Lucene Term Vector Multivariate Bayes Model Expectation Maximization

【发布时间】：2011-07-01 12:43:53

【问题描述】：

我正在尝试实现文档聚类的期望最大化算法。我打算使用 Lucene 术语向量来查找 2 个文档之间的相似性。使用朴素贝叶斯的 EM 算法有 2 种：多元模型和多项模型。简单来说，多项式模型使用文档中不同单词的频率，而多元模型仅使用文档中是否存在单词的信息（布尔向量）。

我知道 Lucene 中的术语向量存储当前文档中存在的术语及其频率。这正是多项式模型所需要的。

但多变量模型需要以下内容： 存储特定术语是否存在的向量。因此，所有文档中的所有术语都必须由该向量处理。

举个例子：

doc1 : 字段 CONTENT 具有以下术语：这是快乐的世界。

doc2 : 字段 CONTENT 有以下术语：这个神奇的世界充满了讽刺的人。

现在我需要的向量应该是

（它包含所有文件中的所有单词）

对于 doc1，这个向量的值是

对于 doc2，这个向量的 vakue 是

有没有办法在 Lucene 中生成这样的布尔向量？

【参考方案1】：

我会首先生成多项向量，然后处理它们（可能是它们的文本表示）以获得多元向量。

如果文档集不是很小，存储完整向量是一种浪费。您应该有一个稀疏表示，因为每个文档都包含可能术语的一小部分。

This blog post 描述了从 Lucene/Solr 文档生成特征向量，尽管我不认为它比你已经做的更远。

【讨论】：

我也邮寄了 Lucene 用户列表，他们建议使用相同的方法来处理术语向量以获得我需要的向量。感谢您的宝贵时间。