语义文本比较API是如何工作的

Question

我目前正在做一个项目，在这个项目中，我们试图根据正确的答案来衡量用户提交的解释性答案。我遇到过像蒲公英和平行点这样的API，它们都能够检查两个文本在语义上有多近。

对于以下问题，这些API给了我良好的回答：

债务人和债权人之间有什么区别？ Answer1:债务人是指欠另一方当事人钱的人或企业。债权人是向另一方提供贷款或提供信贷的个人、银行或其他企业。 Answer2:债务人负有向另一人或实体付款的债务或法律义务，向其购买货物或获得服务。债权人可以是银行、供应商。

蒲公英给了我81%的分数，平行点给了我4.8/5的答案。这是意料之中的。

然而，在我准备一个演示并计划最终在生产中使用它们之前，我有兴趣在某种程度上了解这些API是如何产生这些分数的。

它是茎POSses的tf基载体产物吗？

PS:不是NLP方面的专家

Answer 1

这个问题非常广泛:语义句相似度是NLP中的一个有待解决的问题，完成这一任务的方式有很多种，在目前阶段，它们都是不完善的。作为一个例子，只需考虑：

特朗普是美国总统

和

特朗普从未担任过美国总统

根据平行点，语义相似度为5。现在，根据您对相似性的定义，这可能是可以的，但重点是，根据您对这种相似性所做的操作，如果您有特定的要求，它可能并不完全适合。

无论如何，对于实现来说，没有一种单一的“标准”方式来执行这一操作，并且有许多可以使用的特性:tf-国防军(或等效的)、句子的句法结构(即选区或依赖关系解析树)、从文本中提取的实体，等等.或者，跟踪最新的趋势，深层次的神经网络，不需要任何明确的特征。