显式语义分析（ESA）是一种用于自然语言处理和信息检索的文本向量化表示方法。它将单个词语或整个文档表示为高维空间中的向量，其中每个维度对应一个由人类明确定义的概念，例如一篇维基百科文章。该技术由Evgeniy Gabrilovich和Shaul Markovitch设计，旨在改进文本分类，并使用余弦相似度计算文本之间的语义相关性。其名称与潜在语义分析（LSA）形成对比，因为ESA利用知识库，使得构成向量空间的概念可以被赋予人类可读的标签。
ESA通过利用文档语料库作为知识库来运作。在其基本形式中，一个词语被表示为语料库的术语频率-逆文档频率（tf-idf）矩阵中的列向量，而一个文档则被表示为其组成词语向量的质心。虽然英语维基百科是典型的语料库，但其他集合如开放目录项目也曾被使用。
模型
基本的ESA变体从一组文本开始，例如所有维基百科文章，数量为N个文档。每个文档被转换为“词袋”，，即术语频率直方图，，并存储在倒排索引中。对于任何给定的词语，倒排索引返回包含该词语的文档集合，每个文档根据词语出现的频率进行评分，并按文档中的总词数加权。在数学上，该输出是一个N维的词语-文档得分向量，其中不包含该词语的文档得分为零。
为了计算两个词语的相关性，它们的向量u和v使用余弦相似度进行比较：sim(u, v) = (u · v) / (||u|| ||v||)。这产生了一个语义相关性的数值估计。该方案通过将文本中所有词语的向量求和，从单个词语扩展到多词文本，从而生成文档级别的表示。
分析
ESA最初是在假设知识库包含主题正交概念的条件下提出的。然而，Maik Anderka和Benno Stein后来证明，当基于路透社新闻专线文章语料库时，ESA也能提高信息检索性能，尽管该语料库不满足正交性属性。在他们的实验中，新闻专线故事被用作“概念”。这一观察结果通过ESA与广义向量空间模型之间的联系得到了解释。Gabrilovich和Markovitch回应指出，Anderka和Stein的结果是在仅对文本相似度应用一次ESA，并使用仅包含50篇新闻文档的小型同质测试集合的情况下获得的。
应用
词语相关性
ESA被其作者视为一种语义相关性度量，而非语义相似性。在词语相关性的基准数据集上，ESA优于其他算法，包括基于WordNet的语义相似性度量和诸如Word2vec的跳字神经网络语言模型。该方法已应用于文本分类任务，其中基于概念的表示提高了分类准确性。
文档相关性
ESA被用于商业软件包中，以计算文档之间的相关性。有时会对ESA模型应用特定领域的限制，以在专业领域提供更稳健的文档匹配。该技术能够生成可解释的概念向量，使其在需要透明文本表示的应用程序中具有价值。
扩展
跨语言显式语义分析（CL-ESA）是ESA的多语言泛化。CL-ESA利用文档对齐的多语言参考集合（通常再次为维基百科），将文档表示为语言无关的概念向量。不同语言的两个文档之间的相关性通过它们对应向量表示的余弦相似度来评估。该扩展使得跨语言信息检索和跨语言边界的文本比较成为可能。
ESA还与机器学习和人工智能的更广泛发展相关联，特别是在自然语言处理任务的背景下。其显式、可解释的概念空间使其区别于后来的深度学习方法，如神经网络嵌入，尽管两者都旨在捕捉文本中的语义关系。该方法作为语义表示的基础技术仍然具有相关性，补充了诸如大型语言模型和变换器架构等更现代的模型。