The proposed scheme of computing th

The proposed scheme of computing the similarity by equation (3) has the higher complexity as payment for obtaining the more discrimination among sparse vectors. Let us assume that two d dimensional numerical vectors are given as the input for computing the similarity between them. It takes only linear complexity, O(d), to compute the cosine similarity as the traditional one. However, in the proposed scheme takes the
quadratic complexity, O(d2). We may reduce the complexity by computing similarities of some pairs of features, instead of all.

결과 (한국어) 1:

방정식 (3) 유사성 컴퓨팅의 제안된 제도 스파스 벡터 중 더 많은 차별을 위한 지불으로 더 높은 복잡성. 그들 사이의 유사성을 컴퓨팅을 위한 두 개의 d 차원 숫자 벡터 입력으로 주어진 생각 합시다. 그것은 걸립니다만 선형 복잡도, O(d), 전통적인 것으로 코사인 유사도 계산 하. 그러나, 제안 된 계획에 소요는이차 복잡성, O(d2)입니다. 우리는 기능을 모두 대신의 일부 쌍의 유사성을 계산 하 여 복잡성을 줄일 수 있습니다.

결과 (한국어) 2:

식에 의해 유사도를 계산하는 제안 된 방법은 (3) 희소 벡터 간의 차별을 더 얻기위한 결제로서 높은 복잡도를 갖는다. 우리는 두 개의 D 차원 수치 벡터가 그들 사이의 유사성을 계산하기위한 입력으로 주어진 것으로 가정합니다. 그것은 전통적인 것과 코사인 유사도를 계산하기 만 선형 복잡도 O (D)를 걸린다. 그러나, 제안 된 방식에 걸리는
이차 복잡도 O (D2)를. 우리는 대신 모든, 일부 기능 쌍의 유사성을 계산하여 복잡성을 감소시킬 수있다.

결과 (한국어) 3:

이 방안은 연산 방정식 (3) 비슷한 더 복잡한 지불하는 더 차별 성긴 벡터 가져오는 중.우리 만약에 두 d 수치 벡터 다음과 같 입력 계산.겨우 밀집도. 아, (d), 계산 전통 코사인 비슷하다.하지만이 방안은 두 번 정도 더
o (d).우리는 줄일 수 있는 계산 좀 복잡한 대한 특징 같은 아니라 모든.