對於一個term-document加權詞頻矩陣(如TF-IDF),如果他的規模m*n非常大，那麼這些文本的存儲還有計算聚類都會有不小的麻煩，LSA採用SVD分解將高維文本映射到低維的隱含語義空間，較好的解決了這個問題。
分解後的三部分都有解釋，U*sigma的每行都是每個單詞在隱含語義層的座標，V*sigma的每行都是每個文本在隱含語義層的座標，另外也有一種說法就是U，V分別爲單詞和文本在潛語義空間的座標，其實，因爲sigma是一個對角矩陣，U*sigma空間只是對U空間的每一個軸做了一個伸展或者收縮。
當我們進行矩陣SVD分解後分別求出U，sigma，V，我們接下來能做什麼呢？
1 計算任意兩個文本的相似度，原來我我們要對兩個長度爲m的文本向量進行相似度計算，現在只需要對長度爲r(r爲sigma方陣的大小)的向量進行計算，只需要計算V*sigma矩陣的任意兩行的相似度即可。
2 當新來一個文本時d，我們先求出它在隱含語義層的座標
3 可以根據降維後的特徵進行文本聚類，相似度計算按照cosine夾角即可。
4 也可以對單詞計算隱含語義層的座標，然後進行相似度計算聚類等操作。
值得說明的一點是，LSA較好的解決了多個單詞同一個意義的問題，但是並不能解決一個單詞多個意思的問題，PLSA模型能解決這個問題。