文本相似度在多项任务中扮演重要角色，包含文本检索、分类、文档聚类、主题检测与跟踪、机器翻译和文本摘要等。衡量文本相似性的核心在于评估词与词、句子、段落和文档间彼此相似的水平。词的相似性，既包括词汇上的相似（通过相似字符序列实现）、也包括语义上的相似（当其表示相同概念时）。

文本相似度研究可以分为三种主要方法：基于字符串、基于语料库和基于知识的相似性。

基于字符串的相似度

这种方法通过衡量文本字符串之间距离来估计相似性，包括但不限于编辑距离、Jaro距离、Jaro-Winkler距离、Needleman-Wunsch和Smith-Waterman算法以及N-Gram匹配。它们各有优劣，如重视局部相似度的Jaro距离、强调前缀匹配重要性的Jaro-Winkler距离以及全局比对的Needleman-Wunsch和局部匹配的Smith-Waterman。

基于词汇的相似度量

这种方法利用大型语料库确定词汇间的语义相似度，通过构建语料库对文档进行分析，将其转换为向量形式，进而比较各类文档之间的相似性。其中包括归一化谷歌距离（NGD）度量，其根据关键词在Google搜索结果中的频次衡量词汇间的语义联系。

基于知识的相似度

这基于从语义网络提取的信息，如WordNet中，将名词、动词等分组进行认知相似度评估，以此量化词汇间的联系。

除此之外，还有一种混合相似性度量，结合多个相似度度量方法的长处，如使用基于语料库和基于知识的方法，针对相同语法角色的单词计算得分，并将这些得分整合到机器学习模型中，以获得评估句子间相似性的最终分数。此类方法结合了知识的深度与大量语料库的信息，为计算句子间语义相似度提供了一种高效的途径，具有显著提升。