La similitud semántica es una métrica definida sobre un conjunto de documentos o términos, donde la idea de distancia entre elementos se basa en la similitud de su significado o contenido semántico en oposición a la similitud lexicográfica . Son herramientas matemáticas utilizadas para estimar la fuerza de la relación semántica entre unidades de lenguaje, conceptos o instancias, a través de una descripción numérica obtenida a partir de la comparación de información que sustente su significado o describa su naturaleza. [1] [2] El término similitud semántica a menudo se confunde con relación semántica. Relación semánticaincluye cualquier relación entre dos términos, mientras que la similitud semántica solo incluye relaciones "es un". [3] Por ejemplo, "coche" es similar a "autobús", pero también está relacionado con "carretera" y "conducir".
Computacionalmente, la similitud semántica se puede estimar definiendo una similitud topológica , usando ontologías para definir la distancia entre términos/conceptos. Por ejemplo, una métrica ingenua para la comparación de conceptos ordenados en un conjunto parcialmente ordenado y representado como nodos de un gráfico acíclico dirigido (por ejemplo, una taxonomía ), sería el camino más corto que une los dos nodos de concepto. Con base en análisis de texto, la relación semántica entre unidades de lenguaje (p. ej., palabras, oraciones) también se puede estimar utilizando medios estadísticos como un modelo de espacio vectorial para correlacionar palabras y contextos textuales a partir de un corpus de texto adecuado.. La evaluación de las medidas de similitud/relación semántica propuestas se evalúa a través de dos formas principales. El primero se basa en el uso de conjuntos de datos diseñados por expertos y compuestos por pares de palabras con estimación del grado de similitud/relación semántica. La segunda forma se basa en la integración de las medidas dentro de aplicaciones específicas como la recuperación de información, sistemas de recomendación, procesamiento de lenguaje natural, etc.
El concepto de similitud semántica es más específico que el de relación semántica , ya que este último incluye conceptos como antonimia y meronimia , mientras que la similitud no. [4] Sin embargo, gran parte de la literatura usa estos términos indistintamente, junto con términos como distancia semántica. En esencia, la similitud semántica, la distancia semántica y la relación semántica significan: "¿Cuánto tiene que ver el término A con el término B?" La respuesta a esta pregunta suele ser un número entre -1 y 1, o entre 0 y 1, donde 1 significa una similitud extremadamente alta.
Una forma intuitiva de visualizar la similitud semántica de los términos es agrupar los términos que están estrechamente relacionados y espaciar más los que están lejanamente relacionados. Esto también es común en la práctica para mapas mentales y mapas conceptuales .
Se puede ver una forma más directa de visualizar la similitud semántica de dos elementos lingüísticos con el enfoque de plegamiento semántico . En este enfoque, un elemento lingüístico, como un término o un texto, puede representarse generando un píxel para cada una de sus características semánticas activas, por ejemplo, en una cuadrícula de 128 x 128. Esto permite una comparación visual directa de la semántica de dos elementos al comparar las representaciones de imágenes de sus respectivos conjuntos de características.
Las medidas de similitud semántica se han aplicado y desarrollado en ontologías biomédicas. [5] [6] Se utilizan principalmente para comparar genes y proteínas en función de la similitud de sus funciones en lugar de su similitud de secuencia , pero también se están extendiendo a otras bioentidades, como las enfermedades. [7]