مروری بر روش‌های شباهت‌سنجی متون کوتاه

مشابهت‌سنجی بین متون کوتاه یکی از نیازهای بنیادین در بسیاری از مسائل پردازش‌زبان‌طبیعی است؛ که باتوجه به اهمیت آن محققین کماکان به‌دنبال بهبود کیفیت الگوریتم‌های موجود هستند. در این مطالعه 150 مقاله بررسی شدند و دسته‌بندی جامعی برای روش‌های موجود ارائه شد. به‌طورکلی روش‌های ارائه‌شده را می‌توان در سه گروه دسته‌بندی کرد. گروه اول روش‌هایی که بر مشابهت لفظی تمرکز می‌کنند. در این روش‌ها متن به‌عنوان رشته‌ای از کاراکترها یا مجموعه‌ای از کلمات یا ترکیبی از این دو درنظر گرفته می‌شود. گروه دوم روش‌هایی هستند که به ارتباط معنایی کلمات نیز مبتنی‌بر پایگاه دانش یا تحلیل پیکره‌های متنی توجه دارند. در مطالعات اخیر از روش‌های یادگیری عمیق مبتنی‌بر ترنسفورمرها بهره‌برداری شده و نتایج حاکی‌از بهبود چشم‌گیر کیفیت  این روش‌هاست. گروه سوم به ترکیب روش‌های لفظی و معنایی و بعضا روش‌های تحلیل نحوی پرداخته‌اند. البته تحلیل‌گرهای نحوی باکیفیتی برای تمامی زبان‌ها نبوده و به‌کارگیری آن‌ها سرعت را نیز به‌مراتب کاهش می‌دهد.در این مطالعه همچنین به مهم ترین مجموعه دادگاه موجود و روش های ارزیابی مشابهت سنجی بین متون کوتاه نیز اشاره شده است.

a survey on short text similarity measurement methods

measuring similarity between two text snippets is one of the essential tasks in many nlp problems and it has been still one of the most challenging tasks in the field. various methods have been proposed to measure text similarity. this survey reviews more than 150 of the related papers, introduces a comprehensive taxonomy with three main categories, and discusses the advantages and disadvantages of these methods. the first category is lexical methods that only focus on text pair’s surface similarity. these methods consider the text as a sequence of characters, tokens, or a mixture of these two. some recent studies use deep learning techniques for detecting lexical similarity in alias detection task. the second category is semantic methods that take into consideration the meaning of the words based on some pre-prepared knowledge-bases like wordnet or using corpus-based methods. some recent studies use modern deep learning techniques like transformers and siamese networks to create document embedding that outperform other methods. the final category is hybrid methods that take advantage of all other methods even syntactic parsing in some cases. note that high-quality syntactic parsers are not present for many languages and that using them has some side-effects on performance and speed.