基于图的含义表示形式的指标(例如,抽象含义表示,AMR)可以帮助我们发现两个句子相似的关键语义方面。但是,这样的指标往往会很慢,依靠解析器,并且在评分句子相似性时不会达到最先进的性能。另一方面,基于大型语言模型(例如S(Entence)bert)的模型与人类相似性等级显示高度相关,但缺乏可解释性。在本文中,我们通过创建非常有效的相似性指标,同时还为其评级提供了可解释的理由,以实现这两个世界中最好的目标。我们的方法分为两个步骤:我们首先选择AMR图指标,以测量句子相对于关键语义方面的相似性,例如,I.A.,语义角色,否定或量化。其次,我们采用这些指标来诱导语义结构化的句子bert嵌入(S $^3 $ bert),这些句子由不同子空间中捕获的不同含义组成。在我们的实验研究中,我们表明我们的方法在性能和解释性之间提供了宝贵的平衡。
translated by 谷歌翻译