本讲大纲：
- 潜在语义索引(Latent Semantic Indexing)
- 奇异值分解(Singular value decomposition )
- 独立成分分析(Independent Component Analysis)
逻辑关系
LSI潜在语意索引是PCA主成分分析的一个应用，而SVD奇异值分解是LSI(PCA)的一个实现。
ICA独立成分分析是务监督学习的一种。
1. 隐含语意索引 LSI
参考：http://blog.csdn.net/u011450885/article/details/46500901
是自然语言处理的一项技术，在自然语言处理中，最常见的两类的分类问题分别是，将文本按主题归类（比如将所有介绍亚运会的新闻归到体育类）和将词汇表中的字词按意思归类（比如将各种体育运动的名称个归成一类）。
分类的关键是计算相关性。我们首先对两个文本计算出它们的内容词，或者说实词的向量，然后求这两个向量的夹角。当这两个向量夹角为零时，新闻就相关；当它们垂直或者说正交时，新闻则无关。当然，夹角的余弦等同于向量的内积。从理论上讲，这种算法非常好。但是计算时间特别长。
在主成分分析中隐含语音索引的意思就是，通过降维的手段，将意义相同的词映射到低维空间中的同一个维度上去。
2. 奇异值分解 SVD
如果用一个矩阵来表示一百万篇文章和五十万词的关联性，每一行对应一篇文章，每一列对应一个词：
这个矩阵的元素个数非常巨大。行数M=1,000,000，列数N=500,000。
奇异值分解就是把上面这样一个大矩阵，分解成三个小矩阵相乘，如下图所示。这三个矩阵的元素总数远远小于上面的大矩阵A。以此来降低存储量和计算量。
三个矩阵有非常清楚的物理含义。
- 第一个矩阵X中的每一列表示一类主题，其中的每个非零元素表示一个主题与一篇文章的相关性，数值越大越相关。
- 最后一个矩阵Y中的每一列表示100个关键词，每个key word与500，000个词的相关性。
- 中间的矩阵则表示文章主题和keyword之间的相关性。是对角矩阵。
- 总结来说就是从直接求文章和单词的关联性，转化为求文章<->主题，主题<->关键词，关键词<->单词的相关性。
因此，我们只要对关联矩阵A进行一次奇异值分解，w 我们就可以同时完成了近义词分类和文章的分类。（同时得到每类文章和每类词的相关性）。
应用：个性化推荐、文本及web挖掘、降噪
扩展：奇异值分解的几何意义
参考，推荐：http://blog.chinaunix.net/uid-20761674-id-4040274.html
矩阵线性变换的几何解释，很清楚：http://blog.sciencenet.cn/home.php?mod=space&uid=696950&do=blog&quickforward=1&id=699380
</br>
3. 独立成分分析 ICA
3.1 基本概念
</br>
首先区分两个概念：
- 线性非相关，指协方差为0。描述两个变量整体的数值表现，它们在整体上没有出现数值一起改变迹象。但是未必两个变量之间没有相互影响。
- 相互独立描述更加本质，它要求两个变量时时刻刻都的确不会相互影响，等价于f(x,y)=g(x)h(y)。
与PCA主成分分析的区别
首先相同点是目的都是找到一个方向，即一个n维向量w，使得线性组合wTx的某种特征最大化。
- 主成分分析假设源信号间彼此非相关，独立成分分析假设源信号间彼此独立。
- 主成分分析认为主元之间彼此正交，样本呈高斯分布；独立成分分析则要求样本不呈高斯分布。
理解：经典鸡尾酒会问题
其中s代表人，x代表话筒，A是距离。x已知，s和A未知，需要推出s。
</br>
3.2 ICA的算法
参考：http://blog.csdn.net/u012409883/article/details/17091383
1、预处理部分：
（1）对X零均值处理
（2）球化分解（白化）
即：乘球化矩阵S，使Z=SX各行正交归一，即ZZ’=I意义：消除原始各道数据间二阶相关，以后只需要考虑高阶矩量(因为独立时各阶互累积量为0)，使很多运算过程简化。2、核心算法部分：
寻求解混矩阵U，使Y=UZ，Y各道数据尽可能独立（独立判据函数G）。
注意：
(1)、由于Y独立，各行必正交。且通常取U保持Y各行方差为1，故U是正交变换。
(2)、所有算法预处理部分相同，以后我们都设输入的为球化数据z，寻找正交矩阵U，使Y=Uz独立。由于独立判据函数G的不同，以及步骤不同，有不同的独立分量分析法。3、Fast ICA算法思路：属于探查性投影追踪 ICA
目的：输入球化数据z，经过正交阵U处理，输出Y=Uz
（1）输入球化数据z，经过正交阵某一行向量ui处理（投影），提取出某一独立分量yi.
（2）将此分量除去，按次序依次提取下去，得到所有的yi ，以及ui。得到独立的基向量U
U＝WX
