Text Coherence Scoring — Modellierung lokaler Kohärenz
Text Coherence Scoring berechnet einen Kohärenz-Score auf Dokumentenebene mittels maschinellen Lernens, basierend auf dem von Barzilay und Lapata (2008) eingeführten modellbasierten Ansatz lokaler Kohärenz. Es misst, wie gut die Sätze eines Textes zusammenhängen, unter Verwendung eines Entity-Grid-Modells, eines graphenbasierten Ansatzes oder eines Transformer-basierten Modells.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- Barzilay, R. & Lapata, M. (2008). Modeling Local Coherence: An Entity-Based Approach. Computational Linguistics, 34(1), 1-34. DOI: 10.1162/coli.2008.34.1.1 ↗
- Guinaudeau, C. & Strube, M. (2013). Graph-based Local Coherence Modeling. Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (ACL), 93-103. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Text Coherence Scoring (Local Coherence Modeling). ScholarGate. https://scholargate.app/de/text-mining/text-coherence-scoring
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Automatische TextbewertungText Mining↔ vergleichen
- BERT-EinbettungenText Mining↔ vergleichen
- Sentiment-AnalyseText Mining↔ vergleichen
- TextklassifizierungText Mining↔ vergleichen
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →