Similaridade semântica textual em língua portuguesa: estudo comparativo de modelos multilíngues e monolíngues

Abstract

Este trabalho apresenta uma análise da Similaridade Semântica Textual (STS) na língua portuguesa, avaliando o desempenho de modelos multilinguísticos e monolíngues em cor pora específicos, como ASSIN, ASSIN 2 e SICK-BR. São exploradas metodologias de pré treinamento e fine-tuning, com o objetivo de adaptar modelos como XLM-RoBERTa, LaBSE, MiniLM-L12-v2 e BERT-base-portuguese às particularidades linguísticas do português. Os experimentos realizados demonstraram que a aplicação do fine-tuning melhora o desempe nho dos modelos, resultando em escores mais alinhados às anotações humanas nas métricas utilizadas. Os resultados obtidos indicam que, embora o BERT-base-portuguese, por ser um modelo monolíngue especializado no idioma, apresente bom desempenho, sua performance foi ligeiramente inferior a modelos multilinguísticos, como o LaBSE e o MiniLM-L12-v2, que se beneficiam do treinamento em um volume de dados mais amplo e diversificado. Esse estudo também ressalta a importância dos corpora em português existentes, evidenciando seu papel na adaptação e avaliação dos modelos para a tarefa de STS. A aplicação prática da Similaridade Semântica Textual é destacada em diversos contextos, como sistemas jurídicos, educação e saúde, demonstrando seu potencial para aprimorar apli cações que exigem interpretação precisa de textos em língua portuguesa. Por fim, este estudo contribui para o avanço acadêmico e tecnológico ao propor soluções para o processamento de textos em língua portuguesa.