Sémantická podobnost - Semantic similarity

Sémantická podobnost je metrika definovaná v sadě dokumentů nebo výrazů, kde myšlenka vzdálenosti mezi položkami je založena na podobnosti jejich významu nebo sémantického obsahu na rozdíl od lexikografické podobnosti. Jedná se o matematické nástroje používané k odhadu síly sémantického vztahu mezi jednotkami jazyka, pojmy nebo instance, a to prostřednictvím numerického popisu získaného na základě srovnání informací podporujících jejich význam nebo popisujících jejich povahu.[1][2] Termín sémantická podobnost je často zaměňován se sémantickou příbuzností. Sémantická příbuznost zahrnuje jakýkoli vztah mezi dvěma termíny, zatímco sémantická podobnost zahrnuje pouze vztahy „je“.[3]Například „auto“ je podobné jako „autobus“, ale souvisí také s „silnicí“ a „řízením“.

Výpočtově lze sémantickou podobnost odhadnout definováním a topologické podobnost pomocí ontologie definovat vzdálenost mezi pojmy / pojmy. Například naivní metrika pro srovnání konceptů seřazených v a částečně objednaná sada a reprezentovány jako uzly a směrovaný acyklický graf (např taxonomie ), bude nejkratší cestou spojující dva koncepční uzly. Na základě textových analýz lze sémantickou příbuznost mezi jednotkami jazyka (např. Slovy, větami) odhadnout také pomocí statistických prostředků, jako je vektorový vesmírný model na korelát slova a textové kontexty z vhodného textový korpus. Hodnocení navrhovaných opatření sémantické podobnosti / příbuznosti se hodnotí dvěma hlavními způsoby. První je založen na použití datových sad navržených odborníky a složených ze slovních párů s odhadem stupně sémantické podobnosti / příbuznosti. Druhý způsob je založen na integraci opatření uvnitř konkrétních aplikací, jako je vyhledávání informací, systémy doporučení, zpracování přirozeného jazyka atd.

Terminologie

Koncept sémantická podobnost je konkrétnější než sémantická příbuznost, jelikož druhý zahrnuje pojmy jako antonymy a meronymy, zatímco podobnost není.[4] Velká část literatury však tyto termíny používá zaměnitelně spolu s termíny jako sémantická vzdálenost. Sémantická podobnost, sémantická vzdálenost a sémantická příbuznost v podstatě znamenají: „Kolik má pojem A společného s termínem B?“ Odpověď na tuto otázku je obvykle číslo mezi -1 a 1 nebo mezi 0 a 1, kde 1 znamená extrémně vysokou podobnost.

Vizualizace

Intuitivní způsob vizualizace sémantické podobnosti termínů je seskupením termínů, které spolu úzce souvisejí, a rozestupem od sebe vzdálenějším. To je také v praxi běžné pro myšlenkové mapy a koncepční mapy.

Přímější způsob vizualizace sémantické podobnosti dvou jazykových položek lze vidět pomocí Sémantické skládání přístup. V tomto přístupu lze jazykovou položku, jako je výraz nebo text, reprezentovat generováním a pixel pro každou ze svých aktivních sémantických funkcí např. mřížka 128 x 128. To umožňuje přímé vizuální srovnání sémantiky dvou položek porovnáním obrazových reprezentací jejich příslušných sad funkcí.

Aplikace

V biomedicínské informatice

V biomedicínských ontologiích byla aplikována a vyvinuta opatření sémantické podobnosti.[5][6]Používají se hlavně k porovnání geny a bílkoviny spíše na základě podobnosti jejich funkcí než na jejich sekvenční podobnost, ale rozšiřují se také na další bioentity, jako jsou nemoci.[7]

Tato srovnání lze provést pomocí nástrojů volně dostupných na webu:

  • ProteInOn lze použít k vyhledání interagujících proteinů, nalezení přiřazených termínů GO a výpočtu funkční sémantické podobnosti UniProt proteiny a získat informační obsah a vypočítat funkční sémantickou podobnost termínů GO.[8]
  • CMPSim poskytuje měření funkční podobnosti mezi chemickými sloučeninami a využitím metabolických cest ChEBI založená opatření sémantické podobnosti.[9]
  • CESSM poskytuje nástroj pro automatické hodnocení opatření sémantické podobnosti založených na GO.[10]

V geoinformatice

Podobnost se také uplatňuje v geoinformatika najít podobné geografické rysy nebo typy funkcí:[11]

  • Server podobnosti SIM-DL[12] lze použít k výpočtu podobností mezi koncepty uloženými v ontologiích typu geografických prvků.
  • Kalkulátor podobnosti lze použít k výpočtu, jak dobře jsou související dva geografické koncepty v ontologii Geo-Net-PT.[13][14]
  • The OSM sémantická síť lze použít k výpočtu sémantické podobnosti značek v OpenStreetMap.[15]

Ve výpočetní lingvistice

Používá několik metrik WordNet, ručně vytvořená lexikální databáze anglických slov. Navzdory výhodám lidského dohledu nad konstrukcí databáze, protože slova se nenaučí automaticky, databáze nemůže měřit příbuznost mezi víceslovným výrazem, nekrokovým slovníkem.[4][16]

Při zpracování přirozeného jazyka

Zpracování přirozeného jazyka (NLP) je obor počítačových věd a lingvistiky. Analýza sentimentu, porozumění přirozenému jazyku a strojový překlad (automatický překlad textu z jednoho lidského jazyka do druhého) jsou některé z hlavních oblastí, kde se používá. Například když znáte jeden informační zdroj na internetu, je často bezprostřední zajímavé najít podobné zdroje. The Sémantický web poskytuje sémantická rozšíření k vyhledání podobných dat podle obsahu a nejen podle libovolných deskriptorů.[17][18][19][20][21][22][23][24][25] Hluboké učení metody se staly přesným způsobem, jak měřit sémantickou podobnost mezi dvěma textovými pasážemi, ve kterých je každá pasáž nejprve vložena do spojité vektorové reprezentace.[26][27][28]

Opatření

Topologická podobnost

V zásadě existují dva typy přístupů, které vypočítávají topologickou podobnost mezi ontologickými koncepty:

  • Edge-based: které používají hrany a jejich typy jako zdroj dat;
  • Node-based: ve kterém jsou hlavními zdroji dat uzly a jejich vlastnosti.

Další opatření počítají podobnost mezi ontologickými instancemi:

  • Pairwise: změřte funkční podobnost mezi dvěma instancemi kombinací sémantické podobnosti konceptů, které představují
  • Groupwise: vypočítat podobnost přímo nekombinovat sémantické podobnosti konceptů, které představují

Nějaké příklady:

Edge-based

  • Pekar a kol.[29]
  • Cheng a Cline[30]
  • Wu a kol.[31]
  • Del Pozo a kol.[32]
  • IntelliGO: Benabderrahmane et al.[6]

Na základě uzlů

  • Resnik[33]
    • na základě pojmu informační obsah. Informační obsah pojmu (výrazu nebo slova) je logaritmem pravděpodobnosti nalezení pojmu v daném korpusu.
    • bere v úvahu pouze informační obsah nejnižší společný subsumer (lcs). Nejnižší společný subsumer je koncept v lexikální taxonomii (např. WordNet), který má nejkratší vzdálenost od obou srovnávaných konceptů. Například zvíře a savec jsou subsumers kočky a psa, ale savec je pro ně nižší subsumer než zvíře.
  • Lin[34]
    • na základě Resnikovy podobnosti.
    • bere v úvahu informační obsah nejnižšího společného subsumer (lcs) a dva srovnávané koncepty.
  • Maguitman, Menczer, Roinestad a Vespignani[35]
    • Zobecňuje Linovu podobnost s libovolnými ontologiemi (grafy).
  • Jiang a Conrath[36]
    • na základě Resnikovy podobnosti.
    • bere v úvahu informační obsah nejmenšího společného subsumer (lcs) a dvou srovnávaných konceptů pro výpočet vzdálenosti mezi těmito dvěma koncepty. Vzdálenost se později použije při výpočtu míry podobnosti.
  • Zarovnat, disambiguovat a chodit: Náhodné procházky po sémantických sítích[37]

Node-and-Relation-Content-based

  • použitelné na ontologii
  • zvážit vlastnosti (obsah) uzlů
  • zvážit typy (obsah) vztahů
  • na základě eTVSM[38]
  • na základě Resnikovy podobnosti[39]

Po párech

  • maximum párových podobností
  • složený průměr, ve kterém se berou v úvahu pouze páry s nejlepší shodou (průměr s nejlepší shodou)

Skupinové

Statistická podobnost

Přístupy statistické podobnosti mohou být poučeno z údajů nebo předdefinováno.Učení podobnosti mohou často překonat předdefinovaná měřítka podobnosti. Obecně řečeno, tyto přístupy vytvářejí statistický model dokumentů a používají jej k odhadu podobnosti.

  • LSA (Latentní sémantická analýza )[40][41](+) založený na vektorech, přidává vektory k měření víceslovných výrazů; (-) ne přírůstkový slovník, dlouhé doby před zpracováním
  • PMI (Bodová vzájemná informace ) (+) velký slovník, protože používá jakýkoli vyhledávač (například Google); (-) nemůže měřit příbuznost mezi celými větami nebo dokumenty
  • SOC-PMI (Bodový vzájemný výskyt společného výskytu druhého řádu ) (+) třídí seznamy důležitých sousedních slov z velkého korpusu; (-) nemůže měřit příbuznost mezi celými větami nebo dokumenty
  • GLSA (Generalized Latent Semantic Analysis) (+) založený na vektorech, přidává vektory k měření víceslovných výrazů; (-) ne přírůstkový slovník, dlouhé doby před zpracováním
  • ICAN (přírůstková výstavba asociativní sítě) (+) přírůstkové, síťové opatření, dobré pro šíření aktivace, odpovídá za vztah druhého řádu; (-) nemůže měřit příbuznost mezi víceslovnými výrazy, dlouhé doby před zpracováním
  • NGD (Normalizovaná vzdálenost Google ) (+) velký slovník, protože používá jakýkoli vyhledávač (například Google); (-) může měřit příbuznost mezi celými větami nebo dokumenty, ale čím větší je věta nebo dokument, tím je zapotřebí více vynalézavosti, Cilibrasi & Vitanyi (2007), odkaz níže.[42]
  • TSS - Sémantická podobnost Twitteru -pdf velký slovník, protože k výpočtu podobnosti používá online tweety z Twitteru. Má vysoké dočasné rozlišení, které umožňuje zachytit vysokofrekvenční události. Otevřený zdroj
  • NCD (Normalizovaná kompresní vzdálenost )
  • ESA (explicitní sémantická analýza) na základě Wikipedia a ODP
  • SSA (výběžková sémantická analýza) který indexuje termíny pomocí hlavních konceptů nalezených v jejich bezprostředním kontextu.
  • číslo Wikipedie (noW), inspirovaný hrou Šest stupňů Wikipedie, je metrika vzdálenosti založená na hierarchické struktuře Wikipedie. Nejprve je sestaven směrovaný acyklický graf a později Dijkstrův nejkratší algoritmus cesty se používá k určení hodnoty noW mezi dvěma členy jako geodetická vzdálenost mezi odpovídajícími tématy (tj. uzly) v grafu.
  • VGEM (Vektorové generování výslovně definovaného vícerozměrného sémantického prostoru) (+) přírůstkový slovník, lze porovnávat víceslovné výrazy (-) výkon závisí na výběru konkrétních dimenzí
  • SimRank
  • NASARI:[43] Řídké vektorové reprezentace konstruované použitím hypergeometrické distribuce přes korpus Wikipedie v kombinaci s BabelNet taxonomie. Vícejazyčná podobnost je v současné době možná také díky vícejazyčnému a jednotnému rozšíření.[44]

Podobnost založená na sémantice

  • Marker Passing: Kombinace lexikálního rozkladu pro automatizované vytváření ontologie a Marker Passing podle přístupu Fähndricha et al. zavádí nový typ míry sémantické podobnosti.[45] Zde jsou předány značky ze dvou cílových konceptů nesoucích množství aktivace. Tato aktivace se může zvýšit nebo snížit v závislosti na závažnosti vztahů, s nimiž jsou pojmy spojeny. To kombinuje přístupy založené na hraně a uzlu a zahrnuje konekcionistické uvažování se symbolickými informacemi.
  • Dobrá společná míra sémantické podobnosti na základě subsumerů (GCS)[46]

Zlaté standardy

Vědci shromáždili datové soubory s úsudky o podobnosti na dvojicích slov, které se používají k hodnocení kognitivní věrohodnosti výpočetních opatření. Zlatým standardem dodnes je starý seznam 65 slov, kde lidé posuzovali podobnost slova.[47] Seznam datových sad a přehled nejmodernějších technologií najdete v části https://www.aclweb.org/.

Viz také

Reference

  1. ^ Harispe S .; Ranwez S. Janaqi S .; Montmain J. (2015). "Sémantická podobnost z analýzy přirozeného jazyka a ontologie". Syntetické přednášky o technologiích lidského jazyka. 8:1: 1–254. arXiv:1704.05295. doi:10.2200 / S00639ED1V01Y201504HLT027. S2CID  17428739.
  2. ^ Feng Y .; Bagheri E .; Ensan F .; Jovanovic J. (2017). "Současný stav v sémantické souvislosti: rámec pro srovnání". Recenze znalostního inženýrství. 32: 1–30. doi:10.1017 / S0269888917000029.
  3. ^ A. Ballatore; M. Bertolotto; DC Wilson (2014). "Hodnotící základna pro geo-sémantickou příbuznost a podobnost". GeoInformatica. 18:4 (4): 747–767. arXiv:1402.3371. Bibcode:2014arXiv1402.3371B. doi:10.1007 / s10707-013-0197-8. S2CID  17474023.
  4. ^ A b Budanitsky, Alexander; Hirst, Graeme (2001). „Sémantická vzdálenost ve WordNetu: Experimentální hodnocení pěti opatření zaměřené na aplikaci“ (PDF). Workshop on WordNet and Other Lexical Resources, Second Meeting of the North American Chapter of the Association for Computational Linguistics. Pittsburgh.
  5. ^ Guzzi, Pietro Hiram; Mina, Marco; Cannataro, Mario; Guerra, Concettina (2012). „Analýza sémantické podobnosti údajů o bílkovinách: hodnocení s biologickými rysy a problémy“. Briefings in Bioinformatics. 13 (5): 569–585. doi:10.1093 / bib / bbr066. PMID  22138322.
  6. ^ A b Benabderrahmane, Sidahmed; Smail Tabbone, Malika; Poch, Olivier; Napoli, Amedeo; Devignes, Marie-Domonique. (2010). „IntelliGO: nové vektorové měřítko sémantické podobnosti včetně původu anotace“. BMC bioinformatika. 11: 588. doi:10.1186/1471-2105-11-588. PMC  3098105. PMID  21122125.
  7. ^ Köhler, S; Schulz, MH; Krawitz, P; Bauer, S; Dolken, S; Ott, CE; Mundlos, C; Horn, D; et al. (2009). „Klinická diagnostika v lidské genetice s vyhledáváním sémantické podobnosti v ontologiích“. American Journal of Human Genetics. 85 (4): 457–64. doi:10.1016 / j.ajhg.2009.09.003. PMC  2756558. PMID  19800049.
  8. ^ „ProteInOn“.
  9. ^ „CMPSim“.
  10. ^ „CESSM“.
  11. ^ Janowicz, K., Raubal, M. a Kuhn, W. (2011). „Sémantika podobnosti při získávání geografických informací“. Journal of Spatial Information Science. 2 (2): 29–57. doi:10.5311 / josis.2011.2.3.CS1 maint: více jmen: seznam autorů (odkaz)
  12. ^ "SIM-DL server podobnosti". 2007: 128–145. CiteSeerX  10.1.1.172.5544. Citovat deník vyžaduje | deník = (Pomoc)
  13. ^ „Kalkulátor podobnosti Geo-Net-PT“.
  14. ^ „Geo-Net-PT“.
  15. ^ A. Ballatore; DC Wilson; M. Bertolotto. „Extrakce geografických znalostí a sémantická podobnost v OpenStreetMap“ (PDF). Znalostní a informační systémy: 61–81.
  16. ^ Kaur, I. & Hornof, A.J. (2005). Srovnání LSA, WordNet a PMI pro predikci chování kliknutí uživatele. Proceedings of the Conference on Human Factors in Computing, CHI 2005. str. 51–60. doi:10.1145/1054972.1054980. ISBN  978-1-58113-998-3. S2CID  14347026.
  17. ^ Metody učení založené na podobnosti pro sémantický web (C. d'Amato, disertační práce)
  18. ^ Gracia, J. & Mena, E. (2008). „Webové měření sémantické příbuznosti“ (PDF). Sborník příspěvků z 9. mezinárodní konference o strojírenství webových informačních systémů (WISE '08): 136–150.
  19. ^ Raveendranathan, P. (2005). Identifikace sad souvisejících slov z webu. Diplomová práce, University of Minnesota Duluth.
  20. ^ Wubben, S. (2008). Použití struktury volných odkazů k výpočtu sémantické příbuznosti. V ILK Research Group Technical Report Series, nr. 08-01, 2008.
  21. ^ Juvina, I., van Oostendorp, H., Karbor, P., & Pauw, B. (2005). Směrem k modelování kontextových informací ve webové navigaci. In B. G. Bara & L. Barsalou & M. Bucciarelli (Eds.), 27. výroční zasedání Společnosti pro kognitivní vědu, CogSci2005 (str. 1078–1083). Austin, TX: The Cognitive Science Society, Inc.
  22. ^ Navigli, R., Lapata, M. (2007). Opatření pro připojení grafu pro disambiguaci bez slovního smyslu, Proc. 20. mezinárodní společné konference o umělé inteligenci (IJCAI 2007), Hyderabad, Indie, 6. – 12. ledna 2007, s. 1683–1688.
  23. ^ Pirolli, P. (2005). "Racionální analýzy vyhledávání informací na webu". Kognitivní věda. 29 (3): 343–373. doi:10.1207 / s15516709cog0000_20. PMID  21702778.
  24. ^ Pirolli, P., & Fu, W.-T. (2003). „SNIF-ACT: Model shánění informací v síti WWW“. Přednášky z informatiky. Přednášky z informatiky. 2702. str. 45–54. CiteSeerX  10.1.1.6.1506. doi:10.1007/3-540-44963-9_8. ISBN  978-3-540-40381-4.CS1 maint: více jmen: seznam autorů (odkaz)
  25. ^ Turney, P. (2001). Těžba webu pro synonyma: PMI versus LSA v TOEFL. In L. De Raedt & P. ​​Flach (Eds.), Proceedings of the Twelfth European Conference on Machine Learning (ECML-2001) (pp. 491–502). Freiburg, Německo.
  26. ^ Reimery, Nils; Gurevych, Iryna (listopad 2019). „Sentence-BERT: Vkládání vět pomocí siamských sítí BERT“. Sborník konference z roku 2019 o empirických metodách ve zpracování přirozeného jazyka a 9. mezinárodní společné konference o zpracování přirozeného jazyka (EMNLP-IJCNLP). Hongkong, Čína: Sdružení pro výpočetní lingvistiku: 3982–3992. arXiv:1908.10084. doi:10.18653 / v1 / D19-1410.
  27. ^ Mueller, Jonas; Thyagarajan, Aditya (05.03.2016). „Siamské opakující se architektury pro učení podoby věty“. Třicátá konference AAAI o umělé inteligenci.
  28. ^ Kiros, Ryan; Zhu, Yukun; Salakhutdinov, Russ R; Zemel, Richard; Urtasun, Raquel; Torralba, Antonio; Fidler, Sanja (2015), Cortes, C .; Lawrence, N. D .; Lee, D. D .; Sugiyama, M. (eds.), „Přeskočit vektory“ (PDF), Pokroky v systémech zpracování neurálních informací 28„Curran Associates, Inc., str. 3294–3302, vyvoláno 2020-03-13
  29. ^ Pekar, Viktor; Staab, Steffen (2002). Výuka taxonomie. Sborník z 19. mezinárodní konference o počítačové lingvistice -. 1. s. 1–7. doi:10.3115/1072228.1072318.
  30. ^ Cheng, J; Cline, M; Martin, J; Finkelstein, D; Awad, T; Kulp, D; Siani-Rose, MA (2004). "Algoritmus klastrování na základě znalostí založený na genové ontologii". Journal of Biopharmaceutical Statistics. 14 (3): 687–700. doi:10.1081 / BIP-200025659. PMID  15468759. S2CID  25224811.
  31. ^ Wu, H; Su, Z; Mao, F; Olman, V; Xu, Y (2005). „Predikce funkčních modulů na základě komparativní analýzy genomu a aplikace genové ontologie“. Výzkum nukleových kyselin. 33 (9): 2822–37. doi:10.1093 / nar / gki573. PMC  1130488. PMID  15901854.
  32. ^ Del Pozo, Angela; Pazos, Florencio; Valencia, Alfonso (2008). „Definování funkčních vzdáleností přes genovou ontologii“. BMC bioinformatika. 9: 50. doi:10.1186/1471-2105-9-50. PMC  2375122. PMID  18221506.
  33. ^ Philip Resnik (1995). Chris S. Mellish (ed.). "Použití informačního obsahu k vyhodnocení sémantické podobnosti v taxonomii". Sborník ze 14. mezinárodní společné konference o umělé inteligenci (IJCAI'95). 1: 448–453. arXiv:cmp-lg / 9511007. Bibcode:1995cmp.lg ... 11007R. CiteSeerX  10.1.1.41.6956.
  34. ^ Dekang Lin. 1998. Informační teoretická definice podobnosti. Ve sborníku z patnácté mezinárodní konference o strojovém učení (ICML '98), Jude W. Shavlik (vyd.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 296-304
  35. ^ Ana Gabriela Maguitman, Filippo Menczer, Heather Roinestad, Alessandro Vespignani: Algoritmická detekce sémantické podobnosti. WWW 2005: 107-116
  36. ^ J. J. Jiang a D. W. Conrath. Sémantická podobnost založená na statistice korpusu a lexikální taxonomii. Na Mezinárodní konferenci o výzkumu počítačové lingvistiky (ROCLING X), strany 9008+, září 1997
  37. ^ M. T. Pilehvar, D. Jurgens a R. Navigli. Zarovnat, disambiguovat a projít: Jednotný přístup k měření sémantické podobnosti.. Proc. 51. výročního zasedání Asociace pro počítačovou lingvistiku (ACL 2013), bulharská Sofie, 4. – 9. srpna 2013, s. 1341–1351.
  38. ^ Dong, Hai (2009). "Model měření podobnosti hybridního konceptu pro ontologické prostředí". Na cestě ke smysluplným internetovým systémům: workshopy OTM 2009. Přednášky z informatiky. 5872. 848–857. Bibcode:2009LNCS.5872..848D. doi:10.1007/978-3-642-05290-3_103. ISBN  978-3-642-05289-7.
  39. ^ Dong, Hai (2011). „Kontextově orientovaný model sémantické podobnosti pro prostředí ontologie“. Souběžnost a výpočet: Praxe a zkušenosti. 23 (2): 505–524. doi:10.1002 / cpe.1652.
  40. ^ Landauer, T. K.; Dumais, S. T. (1997). „Řešení Platónova problému: teorie latentní sémantické analýzy získávání, indukce a reprezentace znalostí“ (PDF). Psychologický přehled. 104 (2): 211–240. CiteSeerX  10.1.1.184.4759. doi:10.1037 / 0033-295x.104.2.211.
  41. ^ Landauer, T. K., Foltz, P. W. a Laham, D. (1998). „Úvod do latentní sémantické analýzy“ (PDF). Procesy diskurzu. 25 (2–3): 259–284. CiteSeerX  10.1.1.125.109. doi:10.1080/01638539809545028.CS1 maint: více jmen: seznam autorů (odkaz)
  42. ^ „Vzdálenost podobnosti Google“.
  43. ^ J. Camacho-Collados, M. T. Pilehvar a R. Navigli. NASARI: nový přístup k sémanticky vědomému znázornění položek. In Proceedings of the North American Chapter of the Association of Computational Linguistics (NAACL 2015), Denver, USA, str. 567-577, 2015
  44. ^ J. Camacho-Collados, M. T. Pilehvar a R. Navigli. Sjednocené vícejazyčné sémantické znázornění konceptů. Ve sborníku z 53. výročního zasedání Asociace pro počítačovou lingvistiku (ACL 2015), Peking, Čína, 27. – 29. Července, str. 741–751, 2015
  45. ^ Fähndrich J., Weber S., Ahrndt S. (2016) Návrh a použití opatření sémantické podobnosti pro interoperabilitu mezi agenty. In: Klusch M., Unland R., Shehory O., Pokahr A., ​​Ahrndt S. (eds) Multiagent System Technologies. MATES 2016. Lecture Notes in Computer Science, vol 9872. Springer, available at autorská verze
  46. ^ C. d'Amato, S. Staab a N. Fanizzi. O vlivu ontologií popisu logiky na koncepční podobnost. Znalostní inženýrství: Cvičení a vzory, strany 48–63, 2008 doi:10.1007/978-3-540-87696-0_7
  47. ^ Rubenstein, Herbert a John B. Goodenough. Kontextové koreláty synonymie. Sdělení ACM, 8 (10): 627–633, 1965.
  48. ^ Rubenstein, Herbert; Goodenough, John B. (10.10.1965). „Kontextové koreláty synonymie“. Komunikace ACM. 8 (10): 627–633. doi:10.1145/365628.365657. S2CID  18309234.
  49. ^ Miller, George A .; Charles, Walter G. (01.01.1991). Msgstr "Kontextové koreláty sémantické podobnosti". Jazykové a kognitivní procesy. 6 (1): 1–28. doi:10.1080/01690969108406936. ISSN  0169-0965.
  50. ^ Msgstr "Umístění vyhledávání do kontextu". Transakce ACM v informačních systémech (TOIS). 20: 116–131. 2002-01-01. doi:10.1145/503104.503110. S2CID  12956853.

Zdroje

externí odkazy

Články průzkumu