详细解读WordNet计算相似度的几种方法

墨蓝 2023-01-10 09:58 49阅读 0赞

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][Link 1]查看

![在这里插入图片描述][20210123194115949.png]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 1]

# 5 `Jiang-Conrath Similarity` #

# 6 `Lin Similarity` #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 2]

# 参考文章 #

*  杨方颖. 基于本体结构的语义相似度计算

[Link 1]: https://arxiv.org/pdf/cmp-lg/9511007.pdf
[20210123194115949.png]: /images/20221119/bfe66c7e633d4bfa8dfe624f28485579.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210123200401185.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 1]: /images/20221119/0dfbc7e7e841441e87a63d563513a2b5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 2]: /images/20221119/fea8adbc56f5486286063b685ca2e262.png