短文本語義相似度計算研究

張敏

(西安翻譯學院 工程技術學院， 西安 710105)

0 引言

文本相似度計算方法在文本分類、信息檢索、提取摘要、機器翻譯自動評估方法、文本摘要等大型文檔或同義詞測試等自然語言處理和相關領域的應用中已有很長的歷史，文本相似度的度量方法也被發現對文本一致性的評價有幫助[1]。在網絡信息呈爆炸性增長的互聯網時代，如何高效利用網絡信息，對自然語言處理領域的研究有著更高的要求。

在文本相似度計算方面，AGI RREE[2]等人通過計算在WordNet中詞節點之間上下位關系構成的最短路徑來計算詞語之間的相似度。許多學者也考慮到其他因素對語義距離的影響，如SU J等人[3]根據兩個詞的公共祖先節點的最大信息量來衡量兩個詞的語義相似度; Dekang Lin[4]等人在計算詞語的語義相似度時，除了節點間的路徑長度外，還考慮到概念層次樹的深度和區域密度的影響。王斌[5]利用《同義詞詞林》作為語義詞典計算漢語詞匯的相似度;在語義相似度計算領域中，劉群[6]等對“知網”的知識描述語言進行了研究。該方法采用了“整體的相似度等于部分相似度加權平均”的做法，充分利用了“知網”中對每個概念進行描述時的豐富的語義信息，得到的結果與人的直覺比較符合。但該方法對于相關性詞語(如法院和警察)的相似度計算方面與人的直覺比較不符合，影響在文本分類，文本聚類，文檔自動文摘等領域的應用。此外江敏[7]等人又在劉群的基礎上，加入義原間的反義、對義關系來計算詞語的相似度。吳健[8]等人提出了一種基于本體論的詞匯相似度計算方法。

本文提出了一種利用成分詞的相似性信息來度量文本語義相似性的度量方法。我們描述了單詞語義相似度度量，并展示了如何使用它們來推導一個文本到文本的相似度度量。通過對釋義識別任務的評估，我們證明了這種文本語義相似度的度量方法優于現有的相似度方法。

1 短文本語義相似度

給定兩個輸入文本段，我們希望自動得出一個分數，表明它們在語義級別上的相似性，從而超越了傳統上用于此任務的簡單詞匯匹配方法。雖然我們承認一個綜合的文本語義相似度指標也應該考慮到文本的結構，但我們首先分析了這個問題，并試圖將文本的語義相似度作為組成詞的語義相似度的函數來建模。我們通過將詞與詞之間的相似性和詞的特異性指標結合到一個公式中來實現這一點。給定輸入的兩個文本段T1和T2，用公式(1)計算兩個文本段之間的相似性，如式(1)。

(1)

給定一個詞與詞之間的相似性度量和一個詞的特異性度量，我們使用一個度量來定義兩個文本段T1和T2的語義相似性，該度量依次結合了每個文本段相對于另一個文本段的語義相似性。首先，對于T1段中的每個單詞w，我們嘗試根據下一節描述的單詞間相似性度量方法之一，識別T2段中語義相似度最高的單詞(max(sim(w,T2)))。接下來，同樣的過程被應用于確定T1中最相似的單詞，從T2中的單詞開始，然后，用對應的詞的特異性對詞的相似性進行加權，求和，并根據每個文本段的長度進行標準化，最后，使用平均值將得到的相似度評分組合在一起。注意，只有開放類單詞和基數可以參與這個語義匹配過程。正如前面使用基于向量的模型對文本相似性所做的工作一樣，所有虛詞都被丟棄。

這樣我們可以給兩個特定詞匯之間的語義匹配識別以更高的權重(例如,警察和特警),并給通用概念之間的相似性測量以較低的權重(例如,成為)。雖然單詞的特異性已經在一定程度上由它們在語義層次中的深度來衡量，但是我們使用基于語料庫的單詞特異性度量來加強這一因素，該度量基于從大型語料庫中學習到的分布信息。

這個相似度得分在0和1之間，1表示相同的文本段，0表示兩個段之間沒有語義重疊。除了相似的單詞,我們也考慮到詞語特異性, 單詞的特異性是由Sparck-Jones[9]引入的逆文檔頻率(idf)確定的，它的定義是語料庫中的文檔總數除以包含該單詞的文檔總數，然后將得到的商取對數，計算公式如式(2)。

(2)

|D|：語料庫中的文件總數,|{j:wi∈dj}|：包含詞語wi的文件數目(即ni,j≠0的文件數目)如果該詞語不在語料庫中，就會導致被除數為零，因此一般情況下使用1+|{j:wi∈dj}|

2 實驗

通過實例說明文本相似性度量的應用。給定兩個文本段，如下所示，我們想要確定一個反映它們語義相似性的評分。為了便于說明，我們將注意力限制在一個基于語體的度量上，我們還通過在數據集[10]上找到它們的覆蓋范圍，來獲得語義相似度度量的適用性。

文本段1：When secretary and other employees entered the office for investment intention, some functionary and investors ignored them.

文本段2： When secretary and clerks walked into the office together with investment project, civil servants and holders showed contempt for them.

從兩個文本段中的每一個開始，對于每個開放類單詞，確定另一個文本段中最相似的單詞。如前所述，語義相似性只在詞性相同的詞之間存在。從第一個文本段開始的單詞相似性評分和單詞特異性(idf)，如表1所示。

表1 短文本中詞語相似度值和單詞特異性idf值

利用式(1)，將單詞相似性及其對應的特異性結合起來，確定兩篇文章的語義相似性為0.79。這個相似度評分正確地識別了兩個文本段之間的釋義關系。盡管有一些詞同時出現在兩個句子中(如secretary，investment)，但也有一些詞是不相同的，但卻緊密相關的(如: functionary，civil servants)。與傳統的基于詞匯匹配的相似度度量方法不同，我們的度量方法考慮了這些單詞的語義相似度，從而實現了更精確的文本相似度度量。

3 總結

實驗證明，將語義信息納入文本相似度的測量中，大大增加了對隨機基線和基于向量余弦相似度基線的識別的可能性，余弦距離使用兩個向量夾角的余弦值作為衡量兩個個體間差異的大小，更加注重兩個向量在方向上的差異，而不是位置，適合于網絡短文本相似度計算。基于向量的余弦相似基線，使用一種將幾個相似度指標結合在一起的方法來達到最佳的性能，在數據集上進行的實驗表明，語義相似度方法優于基于簡單詞匯匹配的方法，其整體精確度提高，誤差率顯著降低。