Solo Queue at ASSIN: Combinando Abordagens Tradicionais e Emergentes

Resumen

No presente artigo apresentamos uma proposta para atribuição automática da similaridade entre duas sentenças, tarefa definida na avaliação conjunta ASSIN 2016. Nossa proposta consiste no uso de uma feature clássica da classe bag-of-words, a TF-IDF; e uma feature emergente, capturada por meio de word embeddings. Sabe-se que a medida TF-IDF pode ser utilizada para relacionar documentos que contém os mesmos elementos e, portanto, pode ser utilizada para documentos que compartilham palavras. Word embeddings é uma técnica de semântica distribucional e é conhecida por modelar a sintaxe e semântica das palavras e, segundo Mikolov et al. (2013), pode ser utilizada para modelar a embedding de uma sentença. Ao considerar ambas as features, ponderamos as palavras contidas nas sentenças e a semântica compartilhada entre elas. Como o rótulo de similaridade para o problema em questão é um valor real na escala entre 1 e 5, aplicamos uma técnica de regressão, a Regressão Linear. Os resultados obtidos mostraram que, apesar da feature de embeddings ter obtido resultados similares ao sistema baseline, ao ser combinada à feature TF-IDF, apresentou resultados levemente superiores aos obtidos ao ser usada somente a segunda feature. Esse foi o trabalho campeão da competição ASSIN 2016 de similaridade semântica pela primeira colocação entre os trabalhos que participaram da tarefa de similaridade textual para português do Brasil e segunda colocação para português de Portugal.