Jun, 2024

跨级需求追踪：一种融合词袋模型和词向量的新方法，用于增强相似性功能

PDF
TL;DR我们提出了一种新的方法来自动化将高级业务需求与更高级的技术系统需求关联起来，该方法使用词袋模型和 TF-IDF 得分函数表示每个需求，并使用最近的词嵌入表达方式改进余弦相似度函数以提高效率。实验证明，与现有方法相比，我们的方法在某个数据集中的 F2 分数增加了约 18.4%。
requirement traceabilityinter-dependenciesautomatebag of-wordscosine similarity
发现论文，激发创造
  • 深度学习技术在语义增强软件可追溯性中的应用

    本文提出使用深度学习进行需求追踪的解决方案，并利用词嵌入和循环神经网络模型来生成追踪链接，经过 360 个不同配置的追踪网络的训练，BI-GRU 被确定为最佳模型，显著优于现有的追踪方法。

    Apr, 2018

  • 弥合差距：有效映射 PubMed 查询与文档的语义相似度度量

    提出了一种基于 Word Mover's Distance 计算单词间距离的查询 - 文档相似度测量方法，利用神经词嵌入在检索无直接匹配的情况下发现相关词，并将其与 BM25 相结合，结果在 TREC Genomics 数据上平均精度平均提高 12％，在来自 PubMed 搜索日志的真实数据集上，结合学习排序的方法，正确率提高了 25％，表明该方法与 BM25 的结合可以产生更出色的性能。

    Aug, 2016

  • 将相关文档纳入 word2vec 中

    本文针对词嵌入模型在信息检索任务中存在的问题及其局限性，提出了一种基于 word2vec Skip-Gram 模型的神经网络模型，通过显式向量表示的方式，增加了模型的可解释性和准确性，实现了查询词汇的局部信息融合，提高了指定任务状态下的表现表现。

    Jul, 2017

  • 基于语义相关性的文本识别再排序

    我们提出了一种神经方法来学习语义相关性，并通过学习单词对句子或单词到单词的关系分数来改善文本识别性能，证明了在识别图像中的文本时，语义相关性可以优于其他度量标准。

    Sep, 2019

  • 基于排名的词向量相似度度量

    本文研究了基于词嵌入的语义相似度计算方法，提出了一种基于排名的度量方法，在相似度测量和异常值检测方面表现良好，表明基于排名的度量方法可以提高聚类质量。

    May, 2018

  • 学生论文中细粒度的主题相关性评估的句子相似度测量

    本文研究学习者文章中句子级提示相关性评估的任务，在两个学习者写作数据集上评估使用单词重叠、神经嵌入和神经合成模型的各种系统。我们提出了一种新的句子级相似度计算方法，该方法学习调整针对特定任务的预训练单词嵌入的权重，相较于其他相关基线模型，实现了显著更高的准确性。

    Jun, 2016

  • 学习极短文本的语义相似性

    研究了基于单词嵌入和 tf-idf 相似性的方法，用于匹配短文本片段，并得出使用两种方法的混合方法可以更好地模拟非常短的文本片段中的语义内容。

    Dec, 2015

  • 基于相关性的词嵌入

    本文提出两种具有不同目标函数的学习模型，用于基于查询 - 文档相关性信息学习单词表示，实验结果表明相对于 Word2vec 等基于词语相似度的模型，基于相关性的单词嵌入模型在查询扩展和查询分类等信息检索任务上具有显著优越性。

    May, 2017

  • 以词和句相似性重新思考评估

    本文提出了 EvalRank 作为一种新的内部评估方法，它在 60 多个模型和流行数据集上进行了深入的实验，并释放了实用的评估工具包用于未来的基准测试。

    Mar, 2022

  • 用于计算语义相似度的分类和神经嵌入方法的评估

    本论文探讨了计算语义相似度的不同方法，比较了分类和分布式语义相似度的不同特点，提出了类别相似度建模的三种加权因素，发现在不同词频、多义性和相似度强度范围内存在语义相似度计算巨大差距。

    Sep, 2022