ScholarGate
Assistent
Process / pipeline

Semantisk likhet — att mäta mening mellan texter

Analys av semantisk likhet mäter hur nära två texter är i betydelse, snarare än hur många ord de delar ytligt sett. Byggande på Sentence-BERT-arbetet av Reimers och Gurevych (2019), representeras varje text som en vektor och dessa vektorer jämförs så att parafraser får höga poäng även när deras formulering skiljer sig.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

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

Källor

  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

Så citerar du den här sidan

ScholarGate. (2026, June 1). Semantic Similarity Analysis. ScholarGate. https://scholargate.app/sv/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

Refereras av

ScholarGateSemantic Similarity (Semantic Similarity Analysis). Hämtad 2026-06-15 från https://scholargate.app/sv/text-mining/semantic-similarity · Datamängd: https://doi.org/10.5281/zenodo.20539026