Topic-Based Vector Space Model

TVSM是Document Comparison之类应用的基础理论。对一个文档集进行抽象，所有的基本topic都相互正交（独立），构造出一个D维的空间，每个term都由一个向量来表示，例如与文档主题基本不关的of，the等词语的向量权值（长度）就理论上是0，关键词语的权重就接近1，并且和某个坐标轴的夹角很小。文档di就可以用其所有术语的词频乘以该术语的向量求和算得，一般情况下腰归一化，便于计算。而两个文档的相关程度（亦可理解成文档之间的距离）就可以用两个向量的夹角余弦值来表示。

文档之间一旦建立了某种联系，就能够将类似的文档归类索引，所以这同TF-IDF一样是至关重要的理论基础。

具体可参考Jorg Becker & Dominik Kuropka的 《Topic-Based Vector Space Model》这篇老文章。