similariteit

Similariteit is de mate van overeenkomst tussen twee of meer entiteiten, zoals objecten, teksten, concepten of mensen. In wiskundige en informatica-contexten wordt doorgaans een similarity-score gebruikt die meestal van 0 tot 1 loopt (soms -1 tot 1, afhankelijk van de maatstaf). Een hogere score duidt op grotere overeenkomst. Similariteit staat vaak in verhouding tot dissimilariteit of afstand, maar de exacte relatie hangt af van de gekozen maatstaf en normalisatie.

Toepassingen van similariteit zijn onder meer clustering, classificatie en informatieophaling, evenals aanbevelingssystemen. In tekst- en taalverwerking worden verschillende soorten similarity toegepast, zoals semantische en syntactische gelijkenis, om documenten te vergelijken, betekenis te bepalen en relaties tussen concepten te herkennen. In de biowetenschappen wordt similarity gebruikt om homologie tussen biologische sequenties te onderzoeken.

Veel gebruikte maatstaven omvatten onder meer cosine similarity (op vectorrepresentaties), Jaccard-similarity (gedeelde kenmerken ten opzichte van het totaal aantal kenmerken), en afstandsmaatstaven zoals Euclidische of Manhattan afstand (waar sommige toepassingen deze afstand omzetten in een overeenkomstscore). Voor teksten en strings wordt ook Levenshtein- of edit-samenhang gebruikt, terwijl semantische similariteit vaak voortkomt uit woord- of zinembeddings of kennisgebaseerde metingen.

Overwegingen bij het meten van similarity zijn onder meer normalisatie, schaal en dimensionaliteit, datakwaliteit en bias. Afhankelijk van de context kan onderscheid gemaakt worden tussen syntactische similarity (vorm en structuur) en semantische similarity (betekenis). Zie ook onderwerpen zoals patroonherkenning, informatieophaling en semantische modellering.