一种新的基于本体的概念语义相似度计算方法，孙铁利，邢元元，词词语之间的语义相似度评估在文本分类，信息检索和集成，本体映射等领域起着至关重要的作用。如今，知识库和大型本体越来越多，

根据wordnet 结构 计算一个单词的信息量

基于深度学习的短文本语义相似度计算，通过深度学习的思想计算语义相似度

Words-240测试集包含240对中文词汇和人工对这些词对之间的语义相关度的评测值（和英文的WordSimilarity-353测试集类似），此测试集可以用于测试或者训练中文语义相关度算法。我们以组为单位安排人员进行测试，共分为12组，每组包含20对词。每一组词汇都有20人分别对其相关性进行量化评测， 共有240余人参与了测试。词汇之间相关性的度量值介于0到10之间（0表示这两个词之间毫不相关，10表示这两个词是同义词），我 们将这20个人对某词对的评测结果的平均值作为最终结果。每个人的评价结果请参见“测试集统计结果.xls”。如果您有什么问题或者评论，请您发邮件和我们联系，邮件地址是：xiangwangcn@gmail.com。 此测试集是我们为了测试中文词汇之间的语义相关度算法而构造的，详情请参见我们的论文《基于中文维基百科链接结构与分类体系的语义相关度计算》（作者：汪祥，贾焰，周斌，丁兆云，梁政）。论文尚未发表，发表后您将可以看到。 Words-240测试集得到了国防科技大学613教研室的大力支持，感谢贾焰老师、周斌老师等的指导和帮助。在构造测试集中，著名英文词汇语义相似度的测试集WordSimilarity-353的创立者Lev Finkelstein在如何选择测试集Words-240中词对的问题上进行了热心的指导,在此表示诚挚的感谢。在构造测试集的过程中，湖南师范大学的彭丹同学、湖南大学的陈军同学和国防科技大学的李虎给予了大力协助，在此表示衷心的感谢。国防科技大学、湖南师范大学和湖南大学的240余名同学无偿参与了测试，他们的无私奉献精神直接促使了本测试集的诞生，参加测试的同学有：万芬芬，李大财，吴章彬，尹晋文，邱口，黄江勇，蔡强，王刚，张伟，周晓锋，刘时，徐浩，胡燕，左文豪，吴勇，刘念松，尹波，姚鑫，张右良，周晟，王佳静，何佳，袁功彪，李晋国，谢小红，叶光辉，林建，钟勇才，杨海兵，陈聪，陈超，童国雄，周新云，邹垒，肖天赐，尹邦浩，刘伟，何花，李欢妮，焦丙丰，刘乾，张翠，艾达，伍浩，孙浩然，钟方敬，赵浒，刘哲，龚秀娟，李琦，杨瑞丽，何珂，甘玲，许念，胡蛟，孔梦娟，罗浩，刘芳，廖璨，李冬嫦，白露，皮之云，袁园，潘剑珍，杨厅，徐征，匡牧宇，王薇薇，祁曦婕，宇岳，游凤英，王昕，曹璇，吕性，张志世，杨贵芸，杨雪梅，李腾飞，廖娟，陈娅琦，彭燕，崔文秀，路俊雅，刘雅玲，曾状林，范仁娇，陈玲佳，詹会，孙梦迪，毛本，徐汇，刘婷，黎明阳，刘雨薇，王晓秀，祁美丹，程怡欣，吴之瑶，马超玲，蒋丽娟，刘娜，张芬，阮晓婷，马璞玉，刘贤霖，李西，李小芳，余立，曾惠奇，晓歪，张艳翔，曾田田，张卫，付渔，伍新春，胡朱，苏兴恺，马党，张祥洪，段丽，李文韶，黄红君，陈超，伍月，侯丽华，陆金梅，谢璐璐，谭娜娜，胡海姣，裴晓强、刘建峰，王海波等（由于隐私保护等原因，很多同学的姓名等未在此处列出），在此对他们表示感谢。

语义相似度 中文语义相似度模型测试

文本相似度计算一直是自然语言处理领域研究中的一个基础问题。而文本语义相似度计算则是在文本相似度计算基础上增加了语义分析,在语义层面对文本相似度作进一步的分析研究,具有广阔的应用背景。本文针对句子级别的文本语义相似度计算问题,提出了应用结构化特征和神经网络的方法,并将该方法应用到一个实际的问答系统中,取得了良好的效果。本文深入研究文本语义相似度计算方法,主要研究内容如下:(1)基于结构化表示的文本语义相似度计算方法针对句子级文本相似度计算方法中平面特征表征性弱的问题,本文提出了应用结构化特征来表示句子级文本的句法、语义等信息。在浅层句法树和依存关系树的基础上,获得了基于短语的浅层句法树PST(Phrase-based Shallow Tree)和基于短语的依存树PDT(Phrase-based Dependency Tree)的结构化特征,并与平面特征向量相结合,使用支持向量回归模型进行文本语义相似度计算。实验结果表明,加入PST或PDT特征可以分别使皮尔逊相关系数比基准系统提高0.054和0.041。(2)基于Tree-LSTM的文本语义相似度计算方法为了进一步提高长文本语义相似度计算性能,本文提出应用深度学习方法对长文本进行语义相似度计算研究。首先,设计了适合神经网络模型的新的基于短语的浅层句法树NPST(New PST)和新的基于短语的依存树NPDT(New PDT)结构化。

利用知网计算语义相似度。包含来自的论文。已经通过测试。结果正确。

基于lstm的语义相似度计算模型，使用百度qa的数据集进行实验。

语义相似度任务-LCQMC数据集下载。LCQMC 是哈尔滨工业大学在自然语言处理国际顶会 COLING2018 构建的问题语义匹配数据集，其目标是判断两个问题的语义是否相同

语义相似度任务-LCQMC数据集下载。LCQMC 是哈尔滨工业大学在自然语言处理国际顶会 COLING2018 构建的问题语义匹配数据集，其目标是判断两个问题的语义是否相同。