vectorruimtemodel

Een vectorruimtemodel, in het Engels vaak aangeduid als vector space model, is een model voor informatieopvraging en tekstanalyse waarin documenten en queries worden voorgesteld als vectoren in een gemeenschappelijke ruimte. Elke dimensie komt overeen met een term uit de woordenschat en de waarde van een component geeft het gewicht van die term weer in het document of de query. Door representatie van documenten en queries als vectoren kunnen er vergelijkingen worden gemaakt op basis van inhoud.

Gewichten worden meestal bepaald met een combinatie van termfrequentie (TF) en inverse documentfrequentie (IDF), oftewel TF-IDF. De vectoren worden vaak genormaliseerd tot eenheidslengte zodat de vergelijking tussen vectoren consistent blijft. De overeenkomst tussen een queryvector en documentvectoren wordt doorgaans gemeten met cosine similarity, oftewel de hoek tussen de vectoren.

Bij een zoekopdracht wordt de queryvector vergeleken met alle documentvectoren en worden documenten gerangschikt op basis van hun relevantiescore. Een inverted index versnelt dit proces omdat hij snel documenten kan vinden die de gevraagde termen bevatten, waarna vectorberekeningen de uiteindelijke ranking bepalen.

Varianten en beperkingen: Latente Semantische Analyse (LSA) en verwante technieken reduceren de dimensionaliteit en proberen semantische relaties beter te vangen. Het model heeft ook beperkingen: het kan moeite hebben met synonieme en polyseme woorden, en de representatie is vaak hoog-dimensionaal en spars, wat verwerking en opslag beïnvloedt. Meer recente benaderingen met neurale netwerken bieden betere semantiek maar bouwen voort op of vervangen het basisidee. Desondanks blijft het vectorruimtemodel een veelgebruikte basismethode in informatieopvraging en tekstanalyse.