Key idea 1: Do the same for queries

Key idea 1: Do the same for queries: represent them as vectors in the space
Key idea 2: Rank documents according to their proximity to the query in this space
proximity = similarity of vectors
proximity ≈ inverse of distance
Recall: We do this because we want to get away from the you’re-either-in-or-out Boolean model.
Instead: rank more relevant documents higher than less relevant documents

ผลลัพธ์ (ไทย) 2:

ความคิดที่สำคัญที่ 1: ทำเช่นเดียวกันสำหรับการค้นหา: ตัวแทนของพวกเขาเป็นพาหะในพื้นที่
ความคิดที่สำคัญที่ 2: เอกสารลำดับตามความใกล้ชิดของพวกเขาเพื่อการค้นหาในพื้นที่นี้
ใกล้ชิด = ความคล้ายคลึงกันของเวกเตอร์
ใกล้ชิด≈ผกผันของระยะทาง
จำ: เราทำเช่นนี้เพราะเรา ต้องการที่จะได้ออกไปจากที่คุณอยู่-ทั้งในหรือออกรูปแบบบูลีน.
แทน: ยศเอกสารที่เกี่ยวข้องมากขึ้นสูงกว่าเอกสารที่เกี่ยวข้องน้อย

ผลลัพธ์ (ไทย) 3:

ความคิดหลักที่ 1 : ทำแบบเดียวกันกับแบบสอบถาม : แสดงเป็นเวกเตอร์ในพื้นที่
คีย์คิด 2 : เอกสารอันดับตามความใกล้ชิดของพวกเขาเพื่อค้นหาในพื้นที่นี้ เช่น ความเหมือนของเวกเตอร์

= ความใกล้ชิด≈ผกผันเรียกคืนระยะทาง
: เราทำเช่นนี้เพราะเราต้องการหนีจากคุณ 're-either-in-or-out แบบบูลีน .
แทนตำแหน่งเอกสารเพิ่มเติม : สูงกว่า
เอกสารน้อย