条件相似性_判断两组数据的相似度

C-STS: Conditional Semantic Textual Similarity

语义文本相似度（STS）：测量一对句子之间的相似程度。在本质上是一个模棱两可的任务，因为句子相似度取决于某一特定方面。

条件语义文本相似度（C-STS）：测量在自然语言中阐明的一个方面（这里称为条件）的相似性。比STS的优点在于：1）减少了STS的主观性和模糊性；2）可以使用不同条件进行细粒度的相似性评估。

实例

sentence 1 A windsurfer skims the water with his outstretched hand
sentence 2 The surfer is riding a wave with a mountain in the background.
根据 “物体的底座 “这一条件判断，这两个句子比较相似。(黄色），因为帆板运动和冲浪运动都使用类似的冲浪板，但从 “物体的推动方式 “这一条件来判断，这两个句子就不一样了。(蓝色），因为一个是由海浪推动，另一个是由风推动。

论文贡献

1 创建了C-STS-2023数据集，包含近20000个实力，其中包含句子对、条件和Likert scale上的标量相似性判断。
2 由于最前沿的模型在这个C-STS的任务上表现不佳，提出了新的tri-encoder模型和quadruplet training loss。该新的方法能够基于不同条件对同一句子对进行对比学习，并任务C-STS应该通过改进的架构和微调策略来解决。
3 定性分析表明，当对同一句子对的不同方面进行测试时，模型发现C-STS具有挑战性，而不是测试无条件和模糊的相似性概念。

语料库构建

步骤 A：首先从数据集中抽取一对图像-标题（红色），然后将图像输入图像编码器，得到图像嵌入。将图像嵌入与数据集中的所有其他图像嵌入（蓝色）进行比较，找出前 K 个相似图像。然后将原始标题与前 K 张相似图片的相应标题配对，生成句子对。步骤 B：根据文本相似性过滤句子对。

条件相似度测评形式

a similarity assessment ({s1, s2, c,sim})
s1和s2是两个原始句子，c是condition，即条件，sim是相似度值。

损失函数

Quad损耗定义如下:

p1和p2是高相似度的句子对；n1和n2是低相似度的句子对。
我们使用均方误差(MSE)， Quad以及Quad + MSE的线性组合来训练回归的所有任务

总结

不同方面去做相似度的评价，语料库的收集上是有一定技巧的，并不是完全从头开始。
损失函数构造上的思路，不是很理解，为什么没有设置为多任务形式而是将两个（high&low）的损失值放在一个损失函数里。

相似度也是评价角度之一，涉及到评价的，应该将结果单一值转向结果云的形式，其中论文中的条件，就是结果呈现的不同角度。

今天的文章条件相似性_判断两组数据的相似度分享到此就结束了，感谢您的阅读。