Modelo de espacio vectorial generalizado

El modelo de espacio vectorial generalizado es una generalización del modelo de espacio vectorial utilizado en la recuperación de información . Wong et al. ^[1] presentaron un análisis de los problemas que genera el supuesto de ortogonalidad por pares del modelo de espacio vectorial (VSM). A partir de aquí, extendieron el VSM al modelo de espacio vectorial generalizado (GVSM).

GVSM introduce correlaciones término a término, que desaprueban el supuesto de ortogonalidad por pares. Más específicamente, el factor consideró un nuevo espacio, donde cada vector de término t _i se expresó como una combinación lineal de 2 ⁿ vectores m _r donde r = 1...2 ⁿ .

Para un documento d _k y una consulta q la función de similitud ahora se convierte en:

${\displaystyle sim(d_{k},q)={\frac {\sum _{j=1}^{n}\sum _{i=1}^{n}w_{i,k}*w_{j,q}*t_{i}\cdot t_{j}}{{\sqrt {\sum _{i=1}^{n}w_{i,k}^{2}}}*{\sqrt {\sum _{i=1}^{n}w_{i,q}^{2}}}}}}$

donde t _i y t _j son ahora vectores de un espacio de 2 ⁿ dimensiones.

La correlación de términos se puede implementar de varias maneras. Por ejemplo, Wong et al. utiliza la matriz de frecuencia de ocurrencia de términos obtenida a partir de la indexación automática como entrada para su algoritmo. La ocurrencia de términos y el resultado es la correlación de términos entre cualquier par de términos del índice. ${\displaystyle t_{i}\cdot t_{j}}$

Existen al menos dos direcciones básicas para incorporar la relación entre términos, además de la coincidencia exacta de palabras clave, en un modelo de recuperación:

1. Calcular correlaciones semánticas entre términos
2. Calcular estadísticas de coocurrencia de frecuencias a partir de grandes corpus

Recientemente Tsatsaronis ^[2] se centró en el primer enfoque.

Miden la relación semántica ( SR ) utilizando un tesauro ( O ) como WordNet . Considera la longitud de la ruta, capturada por la compacidad ( SCM ), y la profundidad de la ruta, capturada por la elaboración de la ruta semántica ( SPE ). Calculan el producto interno mediante: ${\displaystyle t_{i}\cdot t_{j}}$

${\displaystyle t_{i}\cdot t_{j}=SR((t_{i},t_{j}),(s_{i},s_{j}),O)}$

donde s _i y s _j son sentidos de los términos t _i y t _j respectivamente, maximizando . ${\displaystyle SCM\cdot SPE}$

Además, basándose en el primer enfoque, Waitelonis et al. ^[3] han calculado la relación semántica a partir de recursos de Linked Open Data , como DBpedia y la taxonomía YAGO . De este modo, explotan las relaciones taxonómicas entre entidades semánticas en documentos y consultas después de la vinculación de entidades nombradas .