Terminology-based Text Embedding for Computing Document Similarities on Technical Content

Hamid Mirisaee (1) , Éric Gaussier (2) , Cedric Lagnier (1) , Agnes Guerraz (1)

1 Skopai
2 LIG - Laboratoire d'Informatique de Grenoble

Nous proposons dans cet article une nouvelle approche hybride de calcul de représentation de documents dans le but de calculer des similarités entre documents techniques. Dans un premier temps, nous utilisons une méthode de l'état de l'art basée sur le graphe des mots pour extraire des phrases-clés, afin de calculer un score pour chacune des phrases du document. Nous proposons deux approches pour calculer la représentation d'un document en utilisant ce classement des phrases. En utilisant des annotations d'experts du domaine, nous montrons que les méthodes proposées obtiennent de meilleurs résultats en terme de NDCG pouvant aller jusqu'à 27% d'amélioration.

Mots clés: document similarity; keyphrase; Document embedding

Mots clés: Représentation de document; similarité entre documents; k-core; phrases-clés

Domaines: Apprentissage [cs.LG]

Hamid Mirisaee, Éric Gaussier, Cedric Lagnier, Agnes Guerraz. Terminology-based Text Embedding for Computing Document Similarities on Technical Content. TIA-PFIA 2019 (atelier TALN-RECITAL ), 2019, Toulouse, France. ⟨hal-03352371⟩