本文探讨了LawsonAbs视角下六种关键的语义相关度计算方法，包括Leacock-Chodorow、Wu-Palmer、Resnik、Jiang-Conrath和Lin相似度。通过实例解释和原理分析，帮助读者理解如何在本体图中评估词语之间的意义关联。
LawsonAbs的认知与思考，望各位读者审慎阅读。
总结
- 文章来源：CSDN_LawsonAbs
- 本文总结若干种语义相关度计算的方法
- 持续更新~
1 语义相似度和语义相关度
一般说来： 语 义 相 似 度 ∈ 语 义 相 关 度 语义相似度 \in 语义相关度 语义相似度∈语义相关度
2 Leacock-Chodorow Similarity
基于连接（所要求解的）两种sense的最短路径 和 这两种sense出现分类的最大深度。计算的值是： − l o g p 2 d -log\frac{p}{2d} −log2dp。其中p就是这两个含义（也就是这两个单词）最短路径长度， d 为分类深度。
其表达式即是：
S
i
m
i
l
a
r
i
t
y
(
a
,
b
)
=
−
l
o
g
L
e
n
(
a
,
b
)
2
∗
D
Similarity(a,b) = -log\frac{Len(a,b)}{2 * D}
Similarity(a,b)=−log2∗DLen(a,b)
其中 a,b 分别为本体图中的两个概念， Len(a,b) 为a,b 的最短路径长度， D 为本体图的最大深度。所谓本体图指的就是该词语所在的词图。
3 Wu-Palmer Similarity
评分标准：两种含义在分类上的深度以及它们最近的公共祖先节点
4 Resnik Similarity
基于最近公共祖先的信息内容（IC）。需要注意的是：对于使用这种方法计算相似度时，结果依赖于生成信息内容的语料库，同时也依赖于这种信息内容如果被创建。
关于 Resnik Similarity ，这是Resnik 提出的一种计算相关系的方法，文章是《Using Information Content to Evaluate Semantic Similarity in a Taxonomy》。可以在这里查看
5 Jiang-Conrath Similarity
6 Lin Similarity
参考文章
- 杨方颖. 基于本体结构的语义相似度计算
扫一扫
834
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
