SAX-VSM 算法

SAX (Sequential Access Model) 和 Vector Space Model (VSM) 是两种常用于文本挖掘和信息检索的技术，结合在一起形成一种称为 SAX-VSM 的算法。这个过程通常用于将非结构化的文本数据转换成数值型特征向量，以便计算机可以处理和分析。

**SAX (Sequential Access Model)**：SAX是一种无监督的数据压缩算法，它将长文本序列分割成一系列短标记（tokens），每个标记代表一段连续字符的模式。这样做的目的是减少存储空间的需求并保留文档的主要信息。

**Vector Space Model (VSM)**：在VSM中，每个文档被视为一个词频向量，其中每个维度对应一个词语，对应的值表示该词语在文档中的频率或权重。这种方法强调了词频的重要性，但忽略了词序信息。

**SAX-VSM 结合应用**：当使用SAX将文本序列转换为标记序列后，可以进一步将其视为一系列词袋，然后用VSM的思想计算每段标记序列（或称为“SAX词”）在文档集合中的频率，得到一组向量。这种方式既保留了文档的局部顺序信息又具备了词汇表的全局信息，提高了文本特征提取的效果。