第195章 抱歉，你们真的好弱欸！（2/2）

但此时的研究人员似乎仍然很好奇林灰是怎么构建这一衡量标准的。

林灰记得先前伊芙·卡莉在他发的邮件中就表达了对于“lh文本摘要准确度衡量模型”究竟是如何构建的困惑。林灰记得伊芙·卡莉当初除了好奇林灰是怎么搞定语料库这个问题之外。

其困惑主要集中在林灰究竟采用什么方法架构相似度模型的。

当知道世界最顶尖学府附属的研究机构的科研人员居然好奇这事，林灰还是意外的。

林灰踌躇满志地盖了一个“华丽的大楼”。

原本以为这个时空人们会好奇林灰是怎么盖出这个大楼的。

没想到反倒先被问道盖大楼所用的材料是如何制作的？

这就是林灰当初收到伊芙·卡莉邮件时的直观感受。

不过如果诚如伊芙·卡莉在邮件里介绍的那般，林灰也能理解伊芙·卡莉为什么困惑。

涉及到相似度模型的架构一般都是通过计算的方式。

通过计算语义文本相似度以衡量这两个文本的语义相似度。

一般来说，语义相似度值越小，两个文本之间的语义差异越大，它们在语义层面的相似度越低；

反之，该值越大，两个文本表达的语义越相似。

或许在人们看来，区分相似文本是很简单的一件事情啊？

这不是随便读一下就能搞定么？

但是要知道区分相似文本不是要人来区分，而是要机器区分相似文本。

涉及到相似度模型的构建确实不是容易的事情，毕竟人类语言表达是极其复杂的。

更遑论大部分专业性比较强的文章里文本中还存在许多同义词、缩略语、特指词和多变的句法结构。

这些都极大地增加了计算文本语义相似度的难度。

但这个问题不解决不行，林灰知道计算文本语义相似度是一个很重要的分支领域。

在信息检索领域，语义文本相似性计算在文本分类、文本聚类和实体消歧等任务中发挥着重要作用；

在人工智能领域，也需要语义文本相似性算法来支持问答系统和智能检索等任务。

此外，语义文本相似性计算也被广泛用于自然语言处理任务中，如抄袭检测、文本总结和机器翻译。

总之，对语义文本相似性算法为代表的相似度模型研究具有重要的应用价值。

如果不解决计算文本语义相似度这个问题的话，跟别提如何更进一步的文本处理了。

抛开让机器区分相似文本这个问题不谈。

仅仅是想要机器识别文本这件事情就极其困难了。

自然语言一般就是说人类能理解的语言，比如看到的文字就是自然语言。

但当我们需要机器或者说计算机处理自然语言时。

机器/计算机却没办法直接理解这些符号（汉字、字母、标点符号等）。

这些符号必须先被数值化，然后才能输入计算机进行后续处理。

仅仅只是数值化之后也用途不大。

必须引入其他的一些内容来反应出词的属性。

就像我们不能从一个普普通通的代号知道这串数字究竟表示的是订阅、收藏还是打赏。

总之，仅仅是一个代号是看不出来每串数字对应的属性的。

这个问题也是计算文本语义相似度的一个研究热门之一。

(本章完)