TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 6361 ~ 6368   DOI: 10.115 9 1 /telkomni ka. v 12i8.603 4          6361     Re cei v ed Fe brua ry 28, 20 14; Re vised  April 3, 2014;  Accept ed Ap ril 15, 2014   Valuing Semantic Similarity      Abdoula h i Boubac a r* 1 , Zhendong  Niu 2   Beiji ng Institute  of  T e chnolo g y ,  School of Co mputer Scie nc e  *Corres p o ndi n g  author, e-ma i l : abd_ bo ubac ar@ y ah oo.com 1 , zniu@bit.edu.cn 2       A b st r a ct  Similar i ty is a t ool w i d e ly  use d  in v a rio u s d o m a i ns s u ch  as  DNA se qu enc e an alysis, k n o w ledge   repres entati on,  natur al  lan g u age  pr o c e ssing , d a t a  m i ni ng , i n fo rma t i o n re trieva l, i n fo rmati on fl ow   etc.  Co mp uting s e ma ntic si mi larit y  betw een tw o  entities  is a  n on-trivia l ta sk.  T here ar e  man y  w a ys to defi ne  semantic s i mil a rity. So me  me asures  hav e b een  pro pose d  combi n in g  b o th   statistical infor m ati on an d  l e xi cal   similarity. It is  difficult for a  measure that perform s  w e ll  in  a giv en d o m ai n to be  app lie d w i th accurac y  i n   anoth e r do mai n . A simil a rity  meas ure  ma y perform  better w i th one la ngu ag e than  anoth e r. W o rd is   supp ose d  to b e  not  only s i mi lar to itse lf but  also  to s o me  of its syno n yms in a  giv en c ontext a nd so me   w o rds w i th co mmo n  r oots.  Our ap pro a ch  is d e sig n e d  to   perfor m   query   match i n g  a n d   compute  se ma ntic  relate dness us ing w o rd occur r ences.  It performs b e tter than classic a l  measur es like T F - IDF ,  Cosine  etc.   Althou gh it is  not a  metric, t he pr opos ed s i milar i ty  meas ure ca n be  us ed for a w i d e   rang e of co nte n t  ana lysis tasks  base d  on se mantic dista n ce  and its effi cacy  has be en d e m o n strat ed. The  meas ure is  not   corpus d e p end ent so it can es tablis h directly   the se mantic r e late dn ess of tw o entities.    Ke y w ords :  sem a ntic sim i larit y , sem a ntic re l a tedn ess, infor m ati on retri e va l     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion    Measuri ng  se mantic  simila rity is the  obj ecti ve of m a n y  works. Man y  measures  p e rform   well in eval uation fram e w ork for a  spe c ific ta sk like synony my extractio n  [1], short text  comp ari s o n  [2], senten ce  simila rity [3],  and n a tural l angu age p r o c e ssi ng [4] et c. The  chall e nge   is to find a  si ngle me asure that perfo rms a c curate l y  as long  as  sema ntic extraction i s  ne e ded.  The sm allest  unit for huma n  comm unica tion is “wor d ” .  Semantic m a tchin g  ce rtai nly cannot work  without u s ing  words. Can  word re pre s e n t a uni t that can exp r e s s a thought?  The an swer i s   obviou s ly no.  Only the  co mbination  of  words c an  re ally expre s s  an o b je ct or i dea  and  by the  same  way gi ve to a word  a mea n ing.  The a s so ciati on  of words can be  studi ed at a  statistical   level [5] usin g freque ncy  estimation to  define simil a rity measures.  Corp us-b ase d  word simil a rity  measures [6,  7] extract se mantics u s in g wo rd fr e q u ency in the  e n tire corpu s . Wo rds li ke  st op- words which  appe ar  at the  sa me frequ e n cy in  almo st  all the  do cu ments do  not  ma ke  differe nce   and are not related to any docu m e n t in parti cu lar. A conce p t-ba sed rep r esentation  of  document s [ 8 ] presents  an alte rn ative way in  ind e xing. Con c e p ts p r e s e n t  more  de scri p t ions  than wo rd s and rep r e s ent  a unit of kno w led ge from  wh i c h se mant ic extractio n  is relatively easy.  More  de script ions  nee d mo re  words. F o r this rea s on it  is very im portant  to use a  measure that   can  comp are  segme n ts o f  texts [9] instead of a  simple metri c  for words [ 10]. In order to   measure accurately both q uery matchin g  and do cu m ent’s sema ntic rel a tedn ess dire ctly, we had   to impleme n t a sem antic  si milarity mea s ure.  Ou r me a s ure is  not ba sed  on  corpu s  an d doe s n o t  estimate the  distance be tween words and entitie s [11].  It can perform an y task from text  simila rity [12, 13] to  co ncept simil a rity  [14,  15]. It  performs bett e r than the Jacc ard  s i milarity  measure  whi c h i s   una ble  to ran k  accu rately do cume nts a c cording  to u s e r  qu ery. It cannot  b e   comp ared to corp us ba sed simila rity measu r e s  whi c h are very poor me asu r ing  sem anti c   related n e ss. I t  is entirely b a se d on o ccurren ce s  therefore it u s es  extremely si mple op erato r s.   Comp uting q uery mat c hin g  or  sema ntic rel a t edn ess be com e s  a very ea sy task  usin g  thi s   measure.          Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  636 1 –  6368   6362 2. R e lated  Work  Semantic  sim ilarity is a n  i m porta nt and  very  pop ular tool for o r g a n izin g an d ex tracting   informatio n. Many ap pro a c he s to  estim a te simi l a rity  have be en  d e velope d in v a riou s  domai ns.  Information  retrieval is o ne of the area that  use s  similarity m easure s . Th e most po pu lar  measures in t h is area a r e  based on the  vector mo del.  The simpl e st  vector app ro ach to mea s u r e  sema nt ic si mi larit y  is t he C o sin e  dist a n ce. The Co sin e  distan ce  ca n be define d  as:     cos  ,  . | |                                                                  (1)    In ord e r to  co mpute the  si mila rity between two do cu ments it i s  su fficient to co n s ide r  the   co sine valu e of their term  vectors. The  Ja cc ard m o d e l is a simil a r measure b a s ed o n  co m m on  words. It can  be expre s sed  as:        , | ∩ | | ∪ |                                                            (2)                                                                                                In this equality  ∩  repre s e n ts the number of word s com m on to   and   while  ∪   rep r e s ent s th e total num b e r of  wo rd s in  both  and   . T h e s e   me as ur es  ar e  acc e p t ab le  fo r  la rg e  document s b u t not very  approp riate whe n  one h a ve to deal with sh ort segment s of text.  Comp ari ng two short seg m ents, the Dice simil a rity measure se e m s to be mo re suita b le. T he  Dice simil a rit y  measu r e i s  different fro m  the Jacca r d mea s u r e b y  the fact th at the co mm on  words  are  co unted two tim e s an d the to tal length is  t he su m of the two length s . The sum of  the   two length s  i s  inde ed e q u a l or g r eate r   than the le n g t h of the two  texts becau se of the trian g le   inequ ality. The Dice mea s u r e ca n be exp r esse d for two texts  and   as  follows :      , | ∩ | | | ∪ | |                                                               (3)      The mo st po pular  mea s u r e for qu ery m a tchin g  is th e  TF-IDF.  T h e r e a r e ma ny ways to   define the term freque ncy i n verse do cu ment frequ en cy. The simpl e st rep r e s e n tation is:         ,   ,                                                               (4)    In this eq uali t y   ,  and   ,  rep r esent respe c tively the freque ncy of t e rm   in  document   a nd a fun c tio n  of its fre q uen cy in an  entire  co rpu s   . The idea  is to ma ke  a   differen c e b e t ween  com m on term s  whi c h o c cur i n  a l most eve r y document a n d relate d terms  whi c h  are p a rticul ar to  a given  do cument. Th e  TF-IDF  i s  n o t app ro priat e  for comp u t ing   document s  si milarity. Another m e a s u r e  combi n ing  an d extendin g  some ve ctor  a ppro a che s  wi th  Latent  Sema ntic  Indexing has been pr e s ente d  by J.  M. Hue r ta for machi ne tra n s lation [16]. T he  measure is b a se d on the  Co sine di sta n ce a nd u s e s  Singular Val ue De co mpo s ition to exp r ess  sente n ce si milarity. For texts sho r ter than s ente n c e s , like qu e r y logs, su rf ace mat c hin g  is  extremely difficult. We d o   need  su ch  si milarity for ex ample for  qu ery su gge stio n. Yih and M eek  [17] have extende d the T F -IDF m e a s u r e by d e fi nin g  a weightin g functio n  a c cording to  web   relevan c e  score s. The m e asu r e i s  ce rta i nly applic abl e for qu ery sugge stion b u t works only if the  words  are fre quently u s ed.  Web  releva nce  ca n be  applie d to de fine co -o ccurren c e s  in p a ge- cou n t ba sed   simila rity me asu r e s . Bolle gala et  al [1 8] have reu s ed po pula r  di stan ce s like t h e   Ja ccard   coeff i cient to  defin e a  pag e-co u n t ba sed   s i mila r i ty me as ure .  T h e me asu r e is in tr od uc e d   to determine the semanti c  sim ilarity distance betwe en two words with a  probability function  based on th e likelih ood  prin ciple. Th e sem antic  si milarity between two  wo rds is li kely to be  extracted  by  co rp us-ba s e d  me asure s   more   a c curat e ly.  Co rpu s  based mea s ure s  have b een   tested to  det ermin e  the  semantic relat edne ss of te x t  segm ents, i n  orde r to d e tect p a ra ph ra se s,  by Mihalce a et al [19]. Pr obability is a  way that  has bee n explo r ed by Lin [2 0] in order t o   measure co mmonality b e twee n two  words.  His work d e termines  way s  and rule s  for a  prob abili stic  theoreti c al  d e finition of  similarity. An implem entat ion h a s be e n  mad e   with  a  modified  Dice mea s ure i n  a taxonom y. Biomedi ca l domain i s   an area that  use s  si milarity  measures fre quently. Ped e rsen  et al [2 1], Lord  et  al   [22] have i n vestigate d  in  medical o n tol ogy.  DNA  se quen ce a nalysi s  [ 23] is a n  a r ea of a c tive re sea r ch th at contin uou sly expe rime nts  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Valuing Sem antic Sim ilarity (Abd oula h i Bouba ca r)  6363 simila rity measu r e s . Gen e  ontology is the gr oun dwork n e cessa r y for most of the DNA ba se d   techn o logy. Ontology ba sed simil a rity meas ures h a v e been impl emented fo r  compl e x co n c ept   expre ssi on s over DL -lite kno w le dge   b a se d  by  Stu c ken s chmidt  [24] and  Haj i an et  al [25 ] .  Con c e p t’s  di stan ce fo rma lization  is u s ually impl e m ented  with l a ttice theo ry.  Zhang  et  al [ 2 6 ]   have explo r e d  a topol ogi cal a pproa ch  with form al  con c e p t an alysis  as  ba sis. T he defi ned  distan ce i s  u s ed to  ch ara c teri ze the  co nce p ts. A fun c tion of n e igh borh ood  act s  to determi ne  a   sep a ratio n  p r oce s s. Tra c ki ng informatio n flow i s  sim ilar to dete c ti ng pa rap h rases me ntione d  earlie r. The  most efficie n t topic to exe r cise is th e se mantic  re sem b lan c e. Metzl e r et al [27] h a s  investigate d  similarity  measures a nalyzin g  the  flow of events throug h  a text corpus.  Rep r e s entin g  wo rd s a s  v e rtexes an d t he relati on shi p s b e twe en t hem a s  e dge s, Min k ov a n d   Coh en [28]  h a ve appli ed  grap h  wal k  to define  a  semantic simil a rity mea s u r e. An inter-word   simila rity measu r e withi n  a corpo r a ha ve been test ed ba sed on  the grap h wa lk method. L a tent   sema ntic i n d e xing h a s  se rved a s   a b a si s to im ple m ent si milarit y  measures  for compli an ce   analysi s  [29].  This l a rge  spe c tru m  sh ows ho w  diverse a r e th e  domai ns i n   whi c h  sem a n t ic   simila rity measures pl ay a key role.       3.  Semantic Similarit y  Measure   Let con s ide r   two texts A a nd B  whi c h  semantic relat edne ss n eed  to b e  m e a s u r ed. F o r  each wo rd co mmon to A and B we co u n t its occurre n ce s in both  A and B. Let  ∩   denote the  sum of the n u mbe r  of occurren ce s for all the comm on wo rd s. Le t  ∪   denote the  sum of the  numbe r of word s in A and  the number  of word s in  B includin g  eventually their  occurre n ces.  We  denote by   th e simila rity measure  su ch that:    . ∩  ∪                                                                              (5)    The occurre n c e s  are cou n ted in both texts  and  , and  the text length is the sum of the  length s  for the two texts therefo r e   is symmetric. All the occurren ces are take n for both texts.     3.1.  Measurin g  Semantic Related n ess   Let co nsi der  the followi ng  data where  and  represent  respe c tively document s a nd  words. Th e freque ncy for e a ch  word and  docum ent is indicated at the interse c tio n . For examp l e  document   contains o ne time the wo rd  and four time s the wo rd  .      Table1. Eight  Document s are Pre s e n te d       For the do cu ments p r e s en ted by table1 we c an calcul ate the sema ntic relate dne ss  with  the   similarity measure.   ,  , ∀ . ∈ . It is co nsequ ent ly possi ble to compl e te  the table2 by symmetry.         Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  636 1 –  6368   6364 Table 2. The  Semantic  Rel a tedne ss of Do cume nts  ,…,  usin g  the   Similarity Measure         The   measure is not corp us dep end en t theref ore ca n dire ctly measu r e the se mantic  related n e ss. It can be ap pli ed for any lan guag e as lo n g  as word s a r e sep a rate d b y  blank spa c e .       3.2. Comparis on  bet w e e n   and the Ja ccar d Similarit y   Measur e   The   measu r e can be use d  as long as  surfa c e mat c hing is nee de d. If we obse r ve the   two tabl es,  we can  se e cl e a rly the l a ck  of accu ra cy  i n  Tabl e 3: ve ry differe nt si milaritie s  p r e s ent   the same val ue. In Table 2  the similaritie s  ar e all diffe rent and prop ortionality is resp ecte d.       Table 3. The  Semantic  Rel a tedne ss of Do cu me nts u s ing the  Ja ccard Simila rity Measure         The simila rity between   and   prese n ts the highe st sco re  with the Ja ccard me asure.  That is not th e ca se  with t he   measure. If we loo k   at wo rd’ s  fre q u enci e s i n  b o th   an d   we   note that co mmon  words rep r e s ent al most the h a l f  of the total of words.  Our m e a s ure  is  therefo r e mo re accu rate th an the Jacca r d mea s u r e.  Unfortu nately ,  we ca n rem a rk f r om tabl e2  that the highest score of  relatedn ess re corded i s    ,  even though   is present only on e   time in  . As a  result, there is a need to  balan ce t he relatedn ess b e twee n the two entitie s. For  this re ason  we de rive from   anoth e r similarity m easure  den o t ed as  ∆  su ch that for all  document s  ,  we have:     ∆  ,  ,   ,                                    (6)          Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Valuing Sem antic Sim ilarity (Abd oula h i Bouba ca r)  6365 3.3. Comparis on  bet w e e n  ∆  and the Dic e  Similarit y  Measure   Table 4  rep r ese n ts the  semantic  relat edne ss for th e sam e  data  with the  ∆  si milarity  measure. We  can rem a rk that  ∆  ,  has bee n balan ced  compa r e to   , .  No w we c a n   comp are the   ∆  measu r e to the Dice simila rity wich is de signe d to better estimate the   related n e ss f o r sh ort segm ents of text.      Table 4. The  Semantic  Rel a tedne ss usi ng the  ∆  Measure         Table 5. The  Semantic  Rel a t edne ss usi ng the Di ce  Measure         We can rem a rk  again th a t  the Dice  si milarity  mea s ure i s  not accurate. Very different  simila rit i es h a s t he s a me  sc ore.  S o me  sco re s like     ,  are ab no rmal ly high. The two   measures   a nd  ∆  are mo re  accurate tha n  the Jacca r d mea s u r e a nd the  Dice  measure. Th e   two me asure s   can  be u s e d  for  extractin g  se mant i c  re latedne ss. We’ll rem a rk in   the next secti o n   that the   mea s ure is m o re  suitabl e than  ∆  in query p r o c e ssi ng while  the oppo site  is ob serve d   in the  ca se  o f  sem antic  re latedne ss. Th e differe nc e i s  fairly tiny i n  both  sem ant ic related n e s s  and qu ery proce s sing.     3.4.  Quer y  Processing using  either   or    Both Ja ccard  and Di ce  si milarity mea s ure s   a r e un a b le to proce ss  user q uery. Our   measures  ca n be used to pro c e ss u s e r   query.   For that go al we n eed  to con s ide r  the que ry as a d o cum ent and m e asu r e its  related n e ss t o  the docum ents. Let co n s ide r  the pre v ious data a nd a que ry   su ch t hat    1 2 1 .    is re peat ed twi c e in t he qu ery  . The relevan c e  of the qu ery to the   document s a r e presented   by Table 7 for the   measure, table 8  for t he Co sin e  measure, an d   table9 for the  ∆  measu r e.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  636 1 –  6368   6366 Table 6. The  query an d the  docum ents            We note he re a propo rtio nality betwee n  the Cosi ne  similarity an d the   measure for  almost  all t h e  case s.  The r e lev a n c e   , 0 . 5 3  whi l e the relevan c e  , 0 . 9 0 .  If  we use the Co sine simil a rity measu r e t he most relevant docu m ent to the  query   is the  document   while using the   measure the most relev ant docu m ent  to the query   is  . We   can see usin g the  ∆  similarity measure that we’ll  have similar difference because  ∆  and   are   prop ortio nal.             4. Discus s ion   This stu d y was  motivated  by the fa ct th at  we   were lo okin g fo r a n   approp riate  measu r e   for qu ery a n d  que ry exp ansi on fo r a  co ncept ba sed info rmatio n ret r ieval  system. Con c e p ts  sema ntic  rela tedne ss i s  th e key featu r e  for que ry  expan sion in th e model  we a r e imple m enti ng.   We h a ve rep r esented  co n c ept s a s  vert exes an d thei r relate dne ss as ed ge s. We have alrea d y  develop ed  a  method  to ext r act  con c ept s from  user  qu erie s a n d  do cuments.  It ha s b een  ea sy t o   measure the simila rity betwee n  a que ry and eac h o f  the concept s with Apa c h e  Lucene  whi c h  has the tf-idf  as simila rity measu r e. F o r that  t a sk,  it  was suf f i cient  t o  con s ide r  t he ent ire  colle ction  of con c e p ts a s   a co rpu s . Unfortunatel y the  tf-idf measure ca nnot me asu r e a c cu rat e ly   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Valuing Sem antic Sim ilarity (Abd oula h i Bouba ca r)  6367 the semanti c   related n e s s for t w o texts.  In order  to m easure  the  semantic relat edne ss b e twee n   each pai r of con c ept s we we re obli g ed to ch oo se  the Di ce  similarity mea s ure. The  Di ce  measure  can  effectively  compa r e t w o  texts. The   ch oi ce  is ju stifie d by th e fa ct  that we  n eed  to  measure di re ctly the relate dne ss  of two  co ncepts. A  corpu s  b a sed  mea s u r e i s   not suitable  for  this ta sk.  As  we  have  sh o w n i n  o u r ex ample s , even  thoug h the   Dice me asure can  solve  the   probl em it re mains i n a c cu rate. We ha d  to com pute  the relate dne ss  between  document s a n d   con c e p ts  usi ng the   Co sin e  si milarity m easure  for a   sa ke  of a c cu racy. In  o r de r to  comp ute t he  related n e s s o f  a q uery  to t he d o cume nts, we  have to  co mpute  the  path  bet wee n  them  throu g h   con c e p t node s whi c h lin k them. It appe ared ve ry un comfo r table t o  sum  sco re s expresse d with   three  differen t  simila rity measure s   (tf-id f, Dice, a nd  Co sine ). Besi de all  we  we re n o t satisfi e d   becau se the t f -idf mea s u r e  can not exp r ess direct ly h o w a  que ry is related  to a  con c e p t and t he  Co sine  mea s ure  ca nnot  e x press exactl y how a  do cument i s   rela ted to a  con c ept. In ad dition,  the Di ce  mea s ure  sup p o s e s  that th e  wo rds ap pea r at  lea s t on e tin e  in  ea ch  co nce p t. That i s   true, and  the  Dice mea s u r e is b e tter th an the  Ja cc a r d me asure  (3) but it d o e s  not indi cate  the   exact d egree  of rel a tedn e ss.  Ou r go al  wa s to  fin d  a n  ap pro p riate  mea s u r e  whi c h  ca n  comp ute   the three  se mantic simil a rities, i n  o r de r to  co mpute  the  sum  an d exp r e s s th e path.  We h a ve   achi eved that  goal usi ng n e w semanti c  simila rity measures.       5.  Conclu sion and Futu r e  Work    and  ∆  are  as  accurate a s  t he Cosi ne  si milarity for q uery mat c hin g  and th ey e x press  more  a c curately the d e g r e e  of  sem antic rel a tedne ss.  In additio n  th ey are n o t co rpu s   depe nde nt.  The wea k ne ss of corp us  d epen dent me asu r e s  is th at they cann ot expre ss  an a b sol u te value  for  relevan c e  or  sema ntic rela tedne ss. All the re sult s the y  provide a r e  corpu s  dep e ndent. We  ha ve   proven  that t hey are g ood  tools for  qu ery mat c hin g  as well a s  f o r  sem antic relatedn ess. T he  particula rity of our mea s u r es is th at the y  can be  u s e d  as lo ng a s   sema ntic  simi larity is nee d ed.  By using unique mea s u r e ,  compari s o n  become s  very easy. Both   and  ∆  can be used for the  s a me task s .   Our future  work  is  to us e them to  proce s s u s er  que ry, establi s h  co nce p ts  sema ntic  related n e ss,  and stu d y a concept ba sed  information retrieval.      Referen ces   [1] Olivier  Ferret.  T e sting se mantic si mil a rity  me asures  f o r extracting  synony ms for a corpus .  Procee din g s o f  the Sev enth  confer ence   on Inte r natio n a l  L a n gua ge  Reso urces an d  Eval uati o n   (LREC' 1 0 ) Vall etta, Malta. Europe an L ang ua ge Res ources  Associati on (E LRA).   201 0; 33 38-3 343.   [2]  Mehran Sahami,  T i mothy  D Heilman.  A web-b a sed K e rn el F unctio n  for Measuri ng th e Similar i ty of  Short T e xt Sni ppets . WWW ' 0 6  Pro c e e d ings o f  th e  1 5 t h   inte rn a t ion a l  co nfe r e n c e   o n  World  Wid e  Web .   ACM Ne w  Yor k , NY, USA. 2006; 377- 38 6.   [3]  Xi ao hua   Hu, and She n  Xi ajio ng.  T h e E v alu a tion  of  Sentenc e Si milarity M easur es. Pal a ko r n   Achan an upar p.  DaW a K ' 08 P r ocee din g s  of the  10th  inter n ation a l  c onfer e n ce on Data  W a reho usin g   and Kn o w l e d g e  Discov e r y . P ages Spr i n ger- V erla g Berli n , Heid el berg. 2 0 08; 305- 31 6.   [4] Ange la  Sc h w e r ing.  Ev alu a tio n  of  a Se ma ntic Si mi larity  Meas ure for  Natur a l  La ng uag e S patia l   Relati ons . Spa t ial Informatio n   T heor y .  L e ctu r e Notes in C o mputer Sci e n c e. 2007; 47 3 6 : 116-1 32.   Lecture N o tes i n  Comp uter Scienc e. 200 7; 4736: 11 6-1 32.   [5]  Egidio T e rra,  CLA Clarke.  F r equ ency Esti mates for Statisti cal W o rd  Si mi l a rity Meas ures .  Procee din g   NAACL ' 0 3 Pr o c eed ings  of th e  20 03  Conf ere n ce  of t he  Nort h Americ an  Ch apter  of the As sociati on for   Comp utation a l  Lin guistics o n  Huma n  Lan gu age T e chno log y . 20 03; 1: 165 -172.   [6]  Aminul Islam,  and Di an a Inkpen.  Se ma ntic  T e xt Similarity  Using Cor pus -Based W o rd  Similar i ty and   String Sim i larit y .  ACM  T r ansactions o n  Kn o w le dg e Disco ver y  from Dat a  (T KDD)  T K D D  Home pag e   archiv e. 200 8; 2(2); Article No . 10 .  [7]  Aminul  Islam,  Dian a  Ikp en, Il uju K i ri nga.  A p plicati ons  of c o rpus- base d   s e mantic s i mil a r i ty an d w o rd   seg m e n tatio n  to datab ase sch ema matchi ng.    T he VLDB Journa l. 200 8; 17 (5): 1293- 13 20 .   [8]  Anna- La n Hu a ng, Dav i d Mi l ne, Eib e  F r an k, Ian H W i tten .  Lear ni ng a  Conc ept-b ase d  Doc u men t   Similar i t y  me a s ure.  Journ a l  of the America n  Society for Informatio n  Sci ence a nd T e c hno logy.  20 12 ;  63(8): 15 93- 16 08.   [9] Donald  Metzle r, Susan Dum a is, Christopher Meek.  S i mil a rity Meas ures f o r Sh ort Se g m ents of  T e xt .  ECIR' 07 Proc eed ings  of the 29th E u rop ean c onfer e n c e  on IR res e arch, Spri nger -Verla g Berl in,   Heid el berg. 2 0 07; 16-2 7 .  [10]  Ming Li, Xi n  C hen, Xi n Li,  Bi n Ma, a nd P a u l  M.B. Vitan y i.  The Sim i larity  Metric . IEEE Transactions  on  Information T heor y .  Proce e d i ngs of th e F ourtee n th An n ual A C M-SIAM S y mp osi u m  on D i screte   Algorit hms. Bal t imore, Mar y la nd, USA. 200 3.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  636 1 –  6368   6368 [11]  Ja y  J J i a ng, D a vid W .  Co nrat h Sema ntic Si mila rit y  Bas ed  on C o rpus St atistics an d Le xic a l T a xo nom y.   Procee din g s of  the Internati o nal C onfer enc e Res ear ch  on  Co mp utation a l  Lin g u i stics (R OCLING X).  T a i w a n . 199 7.    [12]  Alberto B a rro n - Ced eno, A n d r eas Eis e lt, Paol o  Ross o.  Mono lin gu al T e xt S i mil a rit y   Measur es: A  Comp ariso n  o f  Models ov er  W i kiped ia Ar ticles Rev i sio n s .  Proceed ing s  of the 7th  intern ation a l   Confer ence  on  Natural L a n g u age ICON.  2 009 .  [13]  Wen-tau Yih, Kr istina T outanova, John C Pla tt, Christopher  Meek. Learning  Discriminativ e Projections   for T e x t  Similarit y  Measur es.  Procee di ng C o NL L ' 11 Pr oc eed ings  of the  F i fteenth C o n f erence  o n   Co mp utation a l  Natura l La ng uag e Le arn i ng . Associat io n for Co mp utatio nal  Li n guistics  Stroudsb u r g ,   PA, USA.   2011 ; 247-25 6.   [14]  W enjie  Li, Qiux ian g  Xia.  A Met hod  of Conc ept  Similar i t y   Co m putatio n Bas e d  on Sem antic  Distanc e.  In  Proced ia En gin eeri ng.  20 11; 1 5 .   [15]  Dolf T r ieschnig g , Edgar Mei j , Maarten d e  Rij ke  and W e ss el  Kraaij. Meas u r ing C once p t Relat edn es s   Using Lan gu ag e  Mode ls.  SIGI R, ACM.  2008;  823-8 24.   [16]  Juan M  Hu erta. Vector b a s ed Ap pro a ch e s  to Sema ntic  Similar i t y  Me asures.  Adv a n c es in  Natur a l   Lan gu age Proc essin g  an d Ap plicati ons, Cite s eer.  200 8; 16 3.  [17] W en-tau  Y i h,  Christo pher  M eek.   Improv ing  Simil a rit y  Me a s ures for  Short  Segm ents  of  T e xt.  AAAI'07  Procee din g s of  the 22 nd  nati ona l confer enc e  on Artific i al  i n telli ge nce - A AAI Press.  20 07; 2: 14 89- 149 4.  [18]  Dan u shka B o ll ega la, Yutak a  Matsuo, Mitsur u Ishi zu ka  Me asu r i n g  Se man t ic Si mi l a ri ty  be tw een  Wo rd s  Using  W e b  Se arch E ngi nes.  Procee din g s of  the 16th   i n ter natio nal  co nfer ence  o n  W o rl d  W i de  W eb.   Ne w  York, NY,  USA, ACM. 2007; 757- 76 6.   [19]  Rad a  Mi halc e a ,  Courtn e y  C o rl e y ,  Carl o Stra p parav a.   Cor p u s -base d  a n d  K n o w l e d ge- base d  Me asure s   of T e x t  Semantic Similarit y .   AAAI'06 Proceedings  of  the 21st national c onf erenc e  on Artific i al  intell ig ence - A AAI Press.  2006; 1: 775-7 80.   [20]  Deka ng Li n. An Information  T heoretic Defi nitio n  of Simila rit y .  Proce edi n g s of the 15th  Internatio na l   Confer ence  on  Machin e Le arnin g .  Morga n  Kaufman n , San  F r ancisco, CA.  1998; 2 96-3 0 4 .   [21]  T ed Pedersen ,  Sergue i Pak homov, Sid d h a rth  Pat w ar dh an, Christo p h e r G Chute. Measur es o f   Semantic Sim i larit y  an d Re l a tedn ess in t he Med i ca l D o mai n .  Journ a l  of Bio m e d ic al Infor m atics  archiv e.  200 7; 40(3): 28 8-2 9 9 .   [22]  PW  Lord, RD  Stevens C. A. G oble Sem a n t ic Similarit y  M easur es as to ols for Expl ori ng the Ge ne   Ontology .  Pacif i c Symp osi u m on Bioc o m p u ting. Pacific Sy mp osi u m  on Bi oco m p u ting.  2 003: 60 1-6 12.   [23]  Comp utation  o f  Simil a rit y  Me asures  for S e que ntial  D a ta  usin g Ge nera l i z ed S u ffix T r ees. Konr a d   Rieck, P a vel  L a skov, Sör en  Sonn en burg.  A d vanc es i n  N e ural I n for m atio n Proc essin g  S ystems.  20 07;  19 (NIPS).  [24] Hein er  Stucke nschmi dt.   A Semantic Sim ila rit y  Me asure f o r Ontolo g y  B a sed Inform ati on.  FQAS '09  Procee din g s o f  the 8th Internatio nal C onfe r ence o n  F l exi b le Query Ans w ering Syste m s.  Springer- Verla g  Berli n , Heid el berg. 2 0 09; 406- 41 7.  [25]  Behn am Ha jia n, T ony  W h it e .  Measurin g S e mantic Sim ila ri t y  usi ng  a Multi-T r ee Mode l.  IJCAI 22 nd   Internatio na l Joint Co nfere n c e  on Artificia l  Intelli ge nce. Ba rcelo na.  20 11 .   [26]  Lishi  Z h a ng,  Shen gzh e  Ga o, Li ya n Qi. T opo log i cal  Dist ance F u nctio n  in F o rma l C o ncept L a ttice.  F SKD ' 08 Pr oc eed ings  of t he  200 8 F i fth Inte rnatio nal  C onf erenc e  on F u zz y  Syst e m s a n d  Kn ow led g e   Discovery IEE E  Computer S o ciety Washington.  DC, USA. 200 8; 05: 570- 574.   [27]  Donald M e tzler ,  Yaniv Bernst ein, W Bruce  Croft,  Alistair Moffat, Justin Zobel . Similarit y  Measures for   T r acking Information F l o w .   CIKM ' 05 Pro c eed ings  of the 14t h ACM  i n ternati o n a l c onfere n ce o n   Information a n d  know led ge  mana ge me nt.  ACM Ne w  York, NY, USA. 2005 ; 517-52 4.  [28]  Lear nin g  gr ap h  w a lk  bas ed  sim ilar i t y  me asures for  par sed te xt.  EMNLP ' 08 Proc ee din g s of th e   Confer ence  o n  Empiric a l  Met hods  in  N a tur a l  Lan gu ag e P r ocessi ng. Ass o ciati on f o r C o mp utatio nal   Lin guistics Stro udsb u rg,  PA, USA. 2008; 90 7- 916.   [29]  Asad Sa ye e d , Soumitra S a rkar, Yu De n g ,  Rafah  Ho sn, Ruch i M ahi ndru, N i th ya Ra jama ni.   Char acteristics  of doc ume n t si milarit y  m easur es for com p li an ce a nal ys is.  CIKM ' 09 Proc ee din g s of th e   18th ACM Co n f erence o n  Info rmati on a nd K now led ge Ma n age ment.  ACM Ne w  Y o rk, NY, USA. 2009;  120 7-12 16.         Evaluation Warning : The document was created with Spire.PDF for Python.