เปรียบเทียบวิธี

	การขจัดข้อมูลซ้ำซ้อนของข้อความ	BERT Embeddings
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	1997	2019
ผู้ริเริ่ม	Andrei Z. Broder (MinHash / Resemblance theory, 1997)	Devlin, Chang, Lee & Toutanova (Google AI)
ประเภท	Text preprocessing / corpus quality pipeline	Contextual transformer text-representation method
แหล่งต้นตำรับ	Broder, A.Z. (1997). On the Resemblance and Containment of Documents. Compression and Complexity of SEQUENCES.	Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL-HLT, 4171-4186.
ชื่อเรียกอื่น	near-duplicate detection, document deduplication, corpus deduplication, Metin Tekilleştirme (Near-Duplicate Detection)	contextual embeddings, transformer embeddings, BERT Tabanlı Metin Gömülmeleri
ที่เกี่ยวข้อง	5	4
สรุป	Text deduplication is a corpus-quality pipeline that identifies and removes exact and near-duplicate documents from large text collections. Grounded in Andrei Broder's 1997 resemblance theory, it is widely used to improve dataset quality for machine learning model training, search engine indexing, and any downstream NLP task that assumes a non-redundant corpus.	BERT-based text embeddings, introduced by Devlin and colleagues at Google AI in 2019, turn text into context-sensitive dense vectors using a bidirectional Transformer encoder. Because the meaning of a word shifts with its context, BERT produces richer representations than static methods such as Word2Vec or topic models like LDA.