Interpretieren von Topic Loading und Topic Score in Latent Semantic Analysis, SVD im Text ExplorerHallo Community,
Wenn Sie SVD im Text Explorer ausführen, erzeugt es Topic Score und Topic Loading. Ich verstehe, dass dies die singulären Vektoren auf Dokumentebene bzw. auf Begriffsebene sind. Aber wie interpretieren Sie eigentlich die Werte eines bestimmten Topic Score oder Topic Loading? Es gibt sowohl negative als auch positive Zahlen. Bedeutet eine hohe positive Zahl etwas im Gegensatz zu einer hohen negativen Zahl? Zum Beispiel, wenn term1 einen hohen positiven Wert in einem Thema 1 und einen hohen negativen Wert in Thema 2 hat. Bedeutet das, dass term1 bei Thema 1 weit oben steht und bei Thema 2 weniger. Ist die Interpretation ähnlich, wenn wir Dokumentbewertungen gegen Themen haben?
Betreff: Interpretieren von Topic Loading und Topic Score in Latent Semantic Analysis, SVD im Text ExplorerVielen Dank Mark Bailey, dass Sie sich die Zeit genommen haben, meine Frage zu beantworten. Ich überprüfe noch die Ergebnisse meiner Daten. Wenn ich weitere Fragen zur Dateninterpretation habe, werde ich unter dieser Diskussion posten.
Betreff: Interpretieren von Topic Loading und Topic Score in Latent Semantic Analysis, SVD im Text ExplorerDie Scores sind eine neue Darstellung des ursprünglichen gewichteten DTM und die Belastungen sind die Korrelationen der Themen mit dem ursprünglichen gewichteten DTM. Je größer die Größenordnung der Scores ist, desto mehr unterschiedliche Belege liegen voneinander und im Mittelwert. Ein großer negativer Ladewert weist auf einen wichtigen Term hin, da er stark korreliert ist.
Die Textanalyse bezieht sich häufig auf Begriffe mit den Adjektiven „anziehend“ oder „abstoßend“ anhand des Vorzeichens.
