##  [Vektorraum‑Modell](/de/node/72204) 

 Definition

Ein formales Informations‑Retrieval‑Modell, das Dokumente und Anfragen als Vektoren in einem gemeinsamen Termraum (typischerweise Bag‑of‑Terms) darstellt, wobei Ähnlichkeitsmaße zwischen Vektoren (z. B. Kosinusähnlichkeit) gewichtetes Überlappen von Begriffen in ein Rangierungsergebnis überführen.

 

 

 

 

 

 





## Prinzip

Prinzip

Durch Abbildung textlicher Einheiten auf numerische Vektoren und Anwendung einer Ähnlichkeitsmetrik wandelt das Modell lexikalische Überlappung (mit Termgewichtung und Normalisierung) in eine ordinale Relevanzbewertung um; Gewichtungsschemata (TF, TF‑IDF etc.) und Normalisierung bestimmen den Einfluss häufiger gegenüber charakteristischen Termen.

 

 

 

 

 





## Demonstration

Demonstration

Illustratives Szenario: Zwei Dokumentvektoren und ein Anfragevektor werden mit Termgewichten konstruiert; die Berechnung der Kosinusähnlichkeit reiht die Dokumente so, dass das Dokument mit mehr und höher gewichteten gemeinsamen Termen zuerst erscheint und eine gerankte Trefferliste erzeugt.

 

 

 

 

## Fehlanwendung

Fehlanwendung

Den Vektorraum als semantisches oder probabilistisches Relevanzmodell zu deuten (z. B. anzunehmen, er erfasse Synonymie oder Dokumentintention ohne weitere Modellierung) ist falsch; VSM ist eine geometrische Abstraktion auf Basis von Termvorkommen und Gewichten, kein tiefer semantischer Äquivalenzbegriff.

 

 

 

 

 





## Konsequenz

Konsequenz

VSM liefert abgestufte, effiziente Ranglisten, die partielle Übereinstimmungen und Relevanzbewertungen ermöglichen und damit skalierbare Suche unterstützen; es ist anfällig für Vokabular‑Mismatch und vernachlässigt Wortreihenfolge und Syntax, sofern es nicht ergänzt wird.

 

 

 

 

## Umkehrung

Umkehrung

Wenn Term‑Kooccurrenzen, Semantik oder kontextuelle Bedeutung zentral sind (kurze Queries, Polysemie, mehrsprachige Inhalte), können distributionsbasierte Embeddings, LSI oder neuronale Ranking‑Modelle bessere Übereinstimmungen liefern, weil sie semantische Similarität jenseits bloßer Oberflächenübereinstimmung erfassen.

 

 

 

 

 





## Abgrenzung

Abgrenzung

Eindeutig innerhalb: Bag‑of‑Words‑Vektorisierungen mit expliziten Termgewichten und Kosinus/Skalarprodukt‑Ähnlichkeit, die eine gerankte Liste erzeugen. Grenzfall: Vektorrepräsentationen aus Embeddings, die lexikalische Gewichte durch gelernte dichte Merkmale ersetzen. Eindeutig außerhalb: boolesche, exakte Match‑Modelle mit ungeordneten Ergebnismengen.

 

 

 

 

 





## Semantische Spannung

Semantische Spannung

Interpretierbarkeit ↔ Ausdrucksstärke — die lineare, interpretierbare Gewichtung des VSM ermöglicht transparente Ranking‑Entscheidungen, während reichhaltigere Repräsentationen (dichte Embeddings) größere semantische Ausdruckskraft zulassen, aber schwerer zu interpretieren sind.

 

 

 

 

 





## Synthese

Synthese

Das Vektorraum‑Modell tauscht linguistische Struktur gegen lineare Algebra: Durch Darstellung von Texten als gewichtete Vektoren erlaubt es skalierbare, interpretierbare Rangierung auf Basis von Termüberlappung, bleibt jedoch gegenüber Vokabular‑ und Strukturproblemen anfällig, sofern es nicht erweitert wird.