Skip to content
بازگشت به نتایج جست‌وجو

شباهت معنایی — سنجش معنا میان متن‌ها (Semantic Similarity)

معرفی‌شده توسط
Nils Reimers & Iryna Gurevych (Sentence-BERT)
سال
2019
نوع
NLP text-comparison task

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل شباهت معنایی، میزان نزدیکی معنایی دو متن را می‌سنجد، نه صرفاً تعداد کلمات مشترک سطحی آن‌ها را. این روش با تکیه بر کار Sentence-BERT از Reimers و Gurevych (2019)، هر متن را به صورت یک بردار نمایش می‌دهد و این بردارها را مقایسه می‌کند تا جملات بازنویسی شده، حتی با وجود تفاوت در واژگان، امتیاز بالایی کسب کنند.

شهود پشت روش

دو جمله می‌توانند کلمات کاملاً متفاوتی به کار ببرند اما معنای یکسانی داشته باشند، در حالی که دو جمله دیگر می‌توانند کلمات مشترک داشته باشند اما معنای متفاوتی را برسانند. شمارش کلمات هم‌پوشان این نکته را نادیده می‌گیرد. ایده اصلی این است که هر متن را با استفاده از یک مدل تعبیه (embedding model) در فضایی معنایی قرار دهیم، به گونه‌ای که متون با معنای مشابه در نزدیکی یکدیگر قرار گیرند. فاصله بین این نقاط سپس به عنوان امتیاز شباهت عمل می‌کند: امتیاز بالا برای جملات بازنویسی شده و امتیاز پایین برای متون نامرتبط.

تاریخ

شباهت معنایی از وظایف مشترک شباهت متنی معنایی (Semantic Textual Similarity) که در *SEM و SemEval معرفی شدند (Agirre et al., 2013) نشأت گرفت، که مسئله امتیازدهی به میزان شباهت معنایی دو جمله را مطرح کرد. این حوزه با ظهور Sentence-BERT (Reimers & Gurevych, 2019) که تعبیه‌های جمله‌ای تولید می‌کرد که مستقیماً با شباهت کسینوسی قابل مقایسه بودند و مقایسه معنایی در مقیاس بزرگ را عملی می‌ساختند، به شدت پیشرفت کرد.

چه زمانی استفاده شود

زمانی از شباهت معنایی استفاده کنید که جفت‌هایی از متن دارید و می‌خواهید بدانید چقدر از نظر معنایی به هم نزدیک هستند، نه اینکه چند کلمه مشترک دارند - برای تشخیص سرقت ادبی و محتوای تکراری، تطبیق پاراگراف، یا بازیابی اطلاعات. این روش به یک مدل تعبیه که از زبان متون پشتیبانی می‌کند و حداقل مجموعه‌ای کوچک از جفت‌های متن برای مقایسه نیاز دارد؛ بدون داده متنی قابل اجرا نیست.

محدودیت‌ها و ملاحظات

  • نیاز به جفت‌های متن برای مقایسه دارد؛ زمانی که داده متنی وجود نداشته باشد، کاربرد ندارد.
  • کیفیت کاملاً به مدل تعبیه‌ای بستگی دارد که با زبان متون مطابقت دارد.
  • امتیاز شباهت، برداشت مدل از معنا را منعکس می‌کند، که ممکن است با تعریف خاص دامنه یا تعریف قانونی «یکسان بودن» هم‌خوان نباشد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • معنا را به جای هم‌پوشانی کلمات سطحی در بر می‌گیرد، بنابراین جملات بازنویسی شده با واژگان متفاوت نیز به عنوان مشابه امتیاز می‌گیرند.
  • هنگامی که از مدل تعبیه چندزبانه استفاده شود، در زبان‌های مختلف کار می‌کند.
  • یک امتیاز واحد و قابل مقایسه برای هر جفت تولید می‌کند که برای وظایفی مانند تشخیص محتوای تکراری یا بازیابی اطلاعات، آستانه‌گذاری آن آسان است.

کاربردها

  • تشخیص سرقت ادبی و کپی با مقایسه متن ارسالی در برابر منابع مرجع.
  • تطبیق پاراگراف و عبارات در سراسر اسناد.
  • بازیابی اطلاعات - رتبه‌بندی اسناد بر اساس نزدیکی معنایی به یک پرس‌وجو.
  • حذف موارد تکراری محتوای تقریباً یکسان در مجموعه‌های بزرگ متنی.

چگونه کار می‌کند

چگونه کار می‌کند

1

شما با جفت‌هایی از متون که می‌خواهید مقایسه کنید شروع می‌کنید - به عنوان مثال، یک پاراگراف ارسالی در مقابل یک متن مرجع، یا یک پرس‌وجو در مقابل اسناد نامزد. حداقل مجموعه‌ای معقول از جفت‌ها برای معنی‌دار بودن مقایسه لازم است و دو عضو هر جفت باید با هم در دسترس باشند.

2

هر متن از یک مدل تعبیه عبور داده می‌شود که آن را به یک بردار عددی تبدیل می‌کند و معنای آن را در بر می‌گیرد. مدل تعبیه باید از زبان متون شما پشتیبانی کند؛ در صورتی که مجموعه متون انگلیسی نباشد، از یک مدل تعبیه جمله چندزبانه استفاده می‌شود. این مرحله‌ای است که باعث می‌شود جملات بازنویسی شده با کلمات متفاوت همچنان به بردارهای نزدیک نگاشت شوند.

3

بردارهای دو متن مقایسه می‌شوند، که معمولاً با استفاده از شباهت کسینوسی (cosine similarity) انجام می‌شود و یک عدد واحد تولید می‌کند که نزدیکی معنایی دو متن را خلاصه می‌کند. مقادیر بالاتر نشان‌دهنده معنای نزدیک‌تر است؛ امتیاز محدود است و قابل مقایسه بین جفت‌ها می‌باشد.

4

امتیازات شباهت در متن مورد استفاده قرار می‌گیرند - برای شناسایی کپی‌های احتمالی، رتبه‌بندی پاراگراف‌های مطابق، یا بازیابی مرتبط‌ترین عبارات. معمولاً یک آستانه (threshold) برای وظیفه مورد نظر انتخاب می‌شود و جفت‌های مرزی قبل از هرگونه اقدام بررسی می‌شوند.

دام‌های رایج

  • استفاده از مدل تعبیه‌ای که از زبان مجموعه متون پشتیبانی نمی‌کند، امتیازات غیرقابل اعتمادی تولید می‌کند؛ مدل را با زبان تطبیق دهید.
  • امتیاز شباهت را به عنوان یک حکم قطعی در نظر نگیرید - یک آستانه مناسب برای وظیفه انتخاب کنید و جفت‌های مرزی را بررسی کنید، به جای اینکه صرفاً به عدد اعتماد کنید.
  • مقایسه تعداد جفت‌های کم، مبنای کمی برای انتخاب یک آستانه منطقی ارائه می‌دهد.

پرسش‌های متداول

این روش چه تفاوتی با مقایسه کلمات مشترک دارد؟

معیارهای هم‌پوشانی کلمات فقط تعداد توکن‌های مطابق را می‌شمارند، بنابراین جملات بازنویسی شده‌ای را که معنای یکسانی با کلمات متفاوت دارند، از دست می‌دهند. شباهت معنایی هر متن را به یک فضای معنایی تعبیه می‌کند و بردارها را مقایسه می‌کند، بنابراین نزدیکی معنایی حتی زمانی که واژگان متفاوت است، ثبت می‌شود.

آیا این روش در زبان‌های غیر از انگلیسی نیز کار می‌کند؟

بله، به شرطی که مدل تعبیه از زبان هدف پشتیبانی کند. هنگامی که مجموعه متون انگلیسی نباشد، از یک مدل تعبیه جمله چندزبانه استفاده می‌شود؛ استفاده از مدلی که زبان مورد نظر را پوشش نمی‌دهد، امتیازات غیرقابل اعتمادی به دست می‌دهد.

چگونه یک امتیاز شباهت را به یک تصمیم تبدیل کنم؟

یک آستانه مناسب برای وظیفه انتخاب کنید - به عنوان مثال، یک حد بالا برای شناسایی کپی‌های احتمالی - و جفت‌های مرزی را قبل از اقدام بررسی کنید. امتیاز خام قابل مقایسه بین جفت‌ها است اما به خودی خود یک حکم نیست.

امتیاز شباهت چگونه محاسبه می‌شود؟

هر متن توسط یک مدل تعبیه به یک بردار کدگذاری می‌شود و دو بردار مقایسه می‌شوند، که معمولاً با شباهت کسینوسی انجام می‌شود و یک عدد محدود شده واحد تولید می‌کند که در آن مقادیر بالاتر به معنای نزدیکی بیشتر است.

روش‌های مرتبط

منابع

  1. Reimers, N. & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. EMNLP.

    باز کردن مرجع انتشار
    کپی شد.
  2. Agirre, E. et al. (2013). *SEM 2013 shared task: Semantic Textual Similarity. ACL (*SEM).

    باز کردن مرجع انتشار
    کپی شد.