[发明专利]加快计算机运算的数据分析方法及影像辨识系统运作方法

说明书

技术领域

本发明涉及一种加快计算机运算的数字数据分析方法及其应用系统， 特别是涉及一种可以大幅提升计算机分析系统对数据的运算速度的数字数 据分析方法及其推荐系统运作方法及影像辨识系统运作方法。

背景技术

在此信息爆炸时代，许多用于数据分析的计算机分析系统被开发出来 与其应用装置相结合，对欲分析的数据量做有效的分析与运算，而数值分 析方法即是该些计算机分析系统中处理数据的核心所在。然而日益庞大的 数据量却会大大地减缓整体计算机分析系统的运算速度，如无线通讯系统 传输速度的提升大大增加了数据的传输量、影像感光组件中像素的提高大 大增加了影像的数据量、网络的普及带来大量使用者的浏览纪录信息 量......等，因此极需要一种能符合所需而可快速处理该些数据量的数值方 法来对应。

用来处理庞大数据量的分析中，数值分析法被用来处理与分析该些庞 大数据量，在这些数值分析法中，传统的奇异值分解法(Singular Value Decomposition，SVD)是一种可靠的矩阵分解法，常被应用在复杂的数据分 析，特别是多变量的分析。奇异值分解法(SVD)是将一个矩阵对应的行向量 空间(column space)和列向量空间(row space)拆解成两个正交矩阵和一个 对角矩阵的方法。假设X是一个m x n的实数矩阵，X的秩(rank)为r，X被 分解成X＝SVD^T，其中S和D是正交矩阵，即S和D的行向量长度为1，并 且彼此正交。V是一个对角矩阵，V的非对角线的值都是零。无论X是否 为对称矩阵，XX^T一定是对称矩阵。传统上求解奇异值分解法(SVD)就是 先把X自乘为XX^T，然后对XX^T矩阵求其特征值和特征向量。计算XX^T所 求得的特征向量所排成的矩阵就是S矩阵，其对应的特征值正好是V的对 角线值的平方。同理，要计算D，就是把X自乘为X^TX，然后计算X^TX的特征 向量。所求得的特征向量矩阵就是D。

近年来奇异值分解法(SVD)技术被大量使用在自然语言处理中，最有名 的方法是隐含语意索引法(Latent Semantic Indexing，LSI)简称为LSI。利 用隐含语意索引法(LSI)技术，学者可将文本和关键词做一个对应，并且将 文本以及关键词的数据同时投影在一个维度较小的空间，在此空间中，学者 可以做文本对关键词、文本对文本以及关键词对关键词的比对与分类。在 隐含语意索引法(LSI)分析过程中，首先用一个矩阵A来记录文本与字词的 关系，例如，要探讨一百万篇文章和五十万词的关联性，那么这个矩阵中，每 一行对应一篇文章，每一列对应一个词，如下面的式(1)所示：