量化文本的差异性（英文版）

英文标题：Quantifying the Dissimilarity of Texts中文摘要：本文研究各种文本相异度量方法（包括词汇表、词频分布和向量嵌入表示）在不同的任务（如按作者、主题和时间周期对文本进行聚类）中的性能表现，并分析了这些方法在不同长度文本间的偏差关系。结果表明，Jensen-Shannon Divergence 和基于嵌入的方法对 $h$ 的变化不敏感，而 Jaccard 距离则不一定可靠。英文摘要：Quantifying the dissimilarity of two texts is an important aspect of a numberof natural language processing tasks, including semantic information retrieval,topic classification, and document clustering. In this paper, we compared theproperties and performance of different dissimilarity