A kifejezés-dokumentum mátrix egy matematikai mátrix , amely leírja a dokumentumok gyűjteményében előforduló kifejezések gyakoriságát. A kifejezés-dokumentum mátrixban a sorok a gyűjtemény dokumentumainak, az oszlopok pedig a kifejezéseknek felelnek meg. Különféle sémák léteznek az egyes mátrixelemek értékének meghatározására. Ezek egyike a TF-IDF séma . Hasznosak a természetes nyelvi feldolgozás területén , különösen a látens szemantikai elemzés módszereiben .
A dokumentumok halmazában használt kifejezések adatbázisának létrehozásakor a kifejezések mátrixa előfordulási mátrixként kerül kialakításra, amelynek sorai megfelelnek a dokumentumoknak, a sorok elemei pedig a megfelelő kifejezések jelenlétének ezekben a dokumentumokban. . Például, ha két rövid dokumentum van:
akkor a megfelelő kifejezésmátrix így fog kinézni:
| nekem | tetszik | Nem tetszik | adat | |
|---|---|---|---|---|
| D1 | egy | egy | 0 | egy |
| D2 | egy | 0 | egy | egy |
amely megmutatja, hogy bizonyos dokumentumok milyen kifejezéseket tartalmaznak, és hányszor fordulnak elő. Ez a megközelítés hasonló az előfordulási mátrix használatához a szavak korpuszát alkotó mondatok elemzésénél [1] .
| természetes nyelvi feldolgozás | |
|---|---|
| Általános meghatározások | |
| Szövegelemzés |
|
| Hivatkozás |
|
| Gépi fordítás |
|
| Azonosítás és adatgyűjtés | |
| Tematikus modell | |
| Peer review |
|
| Természetes nyelvű felület | |