Par Elisha Bajemon | Publié le 17 octobre 2026

Comment Sentence-BERT mesure-t-il la proximité de sens entre des textes ?

En bref

Sentence-BERT transforme chaque phrase en un vecteur comparable à d’autres par similarité cosinus, afin de rechercher rapidement des phrases de sens proche. Selon Reimers et Gurevych, en 2019, rechercher la paire la plus proche parmi 10 000 phrases demande environ 65 heures avec BERT sur un GPU V100, contre environ 5 secondes avec SBERT. Le papier de Bajemon et Rochet, déposé le 7 septembre 2026, exclut les plongements du score déterministe qu’il décrit. Il les emploie dans une étude distincte, où le classement par proximité atteint une corrélation de Spearman de 0,286 avec le classement par part de citation. Ce résultat porte sur une expérience à sources fournies et ne valide pas une prévision pour une page en concurrence sur le web.

Points clés

• Reimers et Gurevych, à EMNLP 2019, proposent des représentations de phrases que l’on peut comparer après leur calcul.
• Pour rechercher la paire la plus proche parmi 10 000 phrases, BERT demande environ 65 heures sur un GPU V100 et SBERT environ 5 secondes, selon le papier de 2019.
• Le papier Citead de septembre 2026 exclut les modèles appris au moment du calcul de son score déterministe, pour conserver un calcul vérifiable.
• Sa sous-mesure de cohérence, de poids 0,084, combine des statistiques sur les mots du titre et du contenu avec des indices d’enchaînement des phrases, selon ce même papier de 2026.
• Dans l’étude de classement du papier Citead de 2026, la corrélation de Spearman entre classements atteint 0,286 pour les plongements seuls, 0,388 pour le cross-encodeur et 0,119 pour le score fixe.

Qu’est-ce qu’un plongement de phrase ?

Un plongement de phrase est une représentation numérique de cette phrase sous la forme d’un vecteur de taille fixe. Le mot anglais embedding désigne cette même représentation. Dans le papier Sentence-BERT de Reimers et Gurevych, publié en 2019, le modèle apprend à placer les phrases de sens proche près les unes des autres dans un espace de vecteurs.

Cette représentation permet de comparer les textes par un calcul. La phrase entre dans le modèle, qui produit une suite de nombres ; une autre phrase passe par le même traitement. La comparaison porte ensuite sur ces vecteurs. Les auteurs proposent cette approche pour la recherche de phrases similaires et le regroupement de textes.

La similarité cosinus est l’une des mesures possibles. La documentation officielle de scikit-learn la définit comme le produit scalaire des vecteurs, normalisé par leurs longueurs. Cela revient à comparer leur orientation. Pour deux vecteurs non nuls de même orientation, cette formule donne une similarité égale à 1.

Pour lire une analyse de contenu, distinguez la représentation et la mesure : le modèle produit le vecteur, puis le cosinus compare les vecteurs. Le papier SBERT évalue la qualité de ses représentations sur des tâches de similarité entre phrases.

Que change Sentence-BERT par rapport à BERT ?

Sentence-BERT permet de calculer séparément les représentations des phrases. Dans la configuration décrite par Reimers et Gurevych en 2019, BERT reçoit ensemble les phrases d’une paire pour prédire leur similarité. Rechercher la paire la plus proche dans une collection impose alors de traiter toutes les combinaisons possibles.

Pour une collection de 10 000 phrases, les auteurs comptent 49 995 000 calculs d’inférence et estiment le temps nécessaire à environ 65 heures sur un GPU V100. Avec SBERT, ils ramènent le travail à la production des représentations de ces phrases, annoncée à environ 5 secondes, suivie d’une comparaison par cosinus. Ces durées correspondent à la tâche et au matériel décrits dans leur publication.

Le réseau dit « siamois » repose sur des branches qui partagent les mêmes poids, c’est-à-dire les paramètres appris du modèle. Chaque phrase peut ainsi recevoir sa propre représentation. Le bénéfice pratique est la possibilité de comparer ensuite ces représentations sans faire relire chaque paire par BERT.

Les auteurs évaluent également la qualité des vecteurs sur des tâches de similarité sémantique textuelle, abrégées STS. Leur travail porte donc à la fois sur le coût de la recherche et sur la correspondance entre les rapprochements numériques et le sens des phrases. Pour votre lecture du résultat, la tâche évaluée compte autant que le temps annoncé.

Comment comparer une question et un passage ?

On peut représenter séparément la question et le passage, puis comparer leurs vecteurs. La documentation de Sentence Transformers sur les encodeurs appelle cette organisation un bi-encodeur. Le cross-encodeur reçoit les textes ensemble pour calculer leur relation.

La différence concerne le moment où les textes sont mis en relation. Avec des représentations séparées, les vecteurs des passages peuvent servir à plusieurs comparaisons. Avec un cross-encodeur, le calcul porte directement sur chaque paire. C’est ce travail répété sur les paires qui explique le coût mis en évidence par les auteurs pour une grande collection.

Dans Scoring Without the Engine, Bajemon et Rochet, septembre 2026, ces approches servent de références pour étudier le classement des sources face à une question. Les auteurs utilisent bge-m3 pour les plongements et rerank-qa-mistral-4b pour le cross-encodeur. Ces noms désignent les modèles de cette expérience ; les résultats ne sont donc pas des performances mesurées de Sentence-BERT.

Le protocole compare le classement produit par ces mesures avec la place des sources dans les citations des réponses. Il pose une question différente de celle d’un audit éditorial : parmi les sources proposées pour une demande donnée, lesquelles le moteur reprend-il davantage ?

Le score Citead utilise-t-il des plongements ?

Le score déterministe décrit dans le papier de Bajemon et Rochet du 7 septembre 2026 exclut explicitement la similarité par plongements. Les auteurs imposent des calculs statistiques vérifiables, sans modèle appris au moment de la notation. Ils expliquent que l’ajout de plongements ferait dépendre le score d’un modèle et de sa version.

La sous-mesure appelée « cohérence sémantique », de poids 0,084, associe plusieurs éléments : une comparaison statistique entre les mots du titre et du contenu, fondée sur Jensen-Shannon ; un rapprochement des mots-clés qui comprend du TF-IDF ; et des indices d’enchaînement du discours. Ces derniers examinent notamment les mots communs entre phrases voisines et la continuité des entités mentionnées.

Les auteurs précisent que les variations observées de cette sous-mesure viennent surtout de sa composante d’enchaînement du discours. Ils choisissent de décrire ce comportement plutôt que de présenter la sous-mesure comme une mesure de similarité sémantique.

La page méthodologique de Citead place, de son côté, Sentence-BERT parmi les références du critère « Richesse sémantique », où figure aussi la cohérence sémantique. La page cite un appui bibliographique ; le papier décrit un score déterministe sans plongements. Le rôle de cette référence dans le calcul en production reste à clarifier.

Pourquoi la proximité de sens ne suffit-elle pas à prévoir la reprise d’une page ?

La proximité entre textes ne couvre qu’une partie du problème de sélection des sources. Dans le papier Citead de septembre 2026, les moteurs répondent à des questions à partir de cinq sources fournies. La part de citation tient compte de la longueur et de la position des phrases qui citent chaque source.

L’étude de classement porte sur 229 questions distinctes et dix familles de moteurs. Elle mesure l’accord entre les classements des sources pour chaque couple question-moteur, avec la corrélation de Spearman :

Le rapprochement avec la question apporte donc un signal dans cette expérience. Ces coefficients décrivent un accord entre classements à l’intérieur du protocole. Les auteurs soulignent que la compétition sur le web ajoute la recherche des documents et leur déduplication, absentes de cette comparaison à sources fournies.

Pour interpréter un résultat de proximité sémantique, nous recommandons de conserver la question, les passages comparés et le modèle utilisé. Pour examiner la reprise effective d’une page, relevez les réponses et les sources qu’elles mentionnent.

Que retenir pour rédiger une page ?

Nous recommandons de rédiger chaque passage autour d’une question précise du lecteur. Formulez la réponse dès le début, puis apportez les éléments qui permettent de la comprendre et de la vérifier. Cette recommandation vise la lisibilité et la cohérence du texte.

Lors de la relecture, confrontez le titre à ce que le passage explique réellement. Vérifiez ensuite que les phrases s’enchaînent sans changement de sujet implicite. Si vous utilisez une mesure de proximité pour repérer des passages à revoir, conservez le texte et la question à côté du résultat : la lecture doit permettre de comprendre le rapprochement proposé.

Cette méthode rejoint les propriétés que la page méthodologique de Citead propose d’examiner, notamment la réponse en tête de section, les paragraphes autonomes et l’attribution des sources. Son utilité éditoriale se juge sur le contenu relu ; le suivi des citations reste une observation distincte.

Pour aller plus loin

• Pourquoi un score calculé sur le seul texte ne prédit pas le choix des sources par les moteurs.
• Entropie de Shannon et densité d’information : ce que mesure le premier poids du score.
• Ce que l’étude How to Dominate AI Search (Chen et al., 2025) dit des sources que privilégient les moteurs.