ScholarGate
Assistent
Process / pipeline

Semantisk lighed — Måling af mening mellem tekster

Analyse af semantisk lighed måler, hvor tæt to tekster er i betydning, snarere end hvor mange ord de deler på overfladen. Byggende på Sentence-BERT-arbejdet af Reimers og Gurevych (2019) repræsenterer den hver tekst som en vektor og sammenligner disse vektorer, så parafraser scorer højt, selv når deres ordlyd afviger.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. Reimers, N. & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. EMNLP. link
  2. Agirre, E. et al. (2013). *SEM 2013 shared task: Semantic Textual Similarity. ACL (*SEM). link

Sådan citerer du denne side

ScholarGate. (2026, June 1). Semantic Similarity Analysis. ScholarGate. https://scholargate.app/da/text-mining/semantic-similarity

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Refereret af

ScholarGateSemantic Similarity (Semantic Similarity Analysis). Hentet 2026-06-15 fra https://scholargate.app/da/text-mining/semantic-similarity · Datasæt: https://doi.org/10.5281/zenodo.20539026