Python自然语言处理 课件 电子05-5- LSALSILDA算法.pptx

词向量与关键词提取Python自然语言处理第五章 CONTENT目录 01词向量算法02关键词提取技术概述03TF-IDF算法04TextRank算法05LSA/LSI/LDA算法06提取文本关键词 章节回顾01OPTION02OPTIONPageRank算法TextRank算法 LSA/LSI/LDA算法0 5LSA/LSI算法LDA算法 LSA/LSI/LDA算法一般来说， TF—IDF算法和TextRank算法就能满足大部分关键词提取的任务。但是在某些场景，关键词并不一定会显式地出现在文档当中，如：一篇讲动物生存环境的科普文，通篇介绍了狮子老虎鳄鱼等各种动物的情况，但是文中并没有显式地出现动物二字，这种情况下，前面的两种算法显然不能提取出动物这个隐含的主题信息。这时候就需要用到主题模型。 LSA/LSI/LDA算法? LSA/LSI算法LSA (Latent Semantic Analysis,潜在语义分析)和LSI (Latent Semantic Index,潜在语义索引)，它们经常被当作同一算法，不同之处在于应用场景略有不同。LSA与LSI两者全都是文档的潜在语义进行分析，而潜在语义索引是在分析之后，运用分析得出的结果去建立相关的索引。LSA的主要步骤如下: 通过BOW模型把每个文档代表为向量; 将全部的文档词向量排在一起构成词-文档矩阵(mxn); 然后对词-文档矩阵