In dieser Arbeit untersuchen wir maschinenberechenbare und gleichzeitig vom Menschen verständliche Darstellungsdimensionen von Text, die anschließend zum Filtern und Anzeigen von Informationen verwendet werden können. Während Texte einzeln dargestellt werden können, z.B. unter Verwendung numerischer Dimensionen wie Satzlänge oder grammatikalischer Komponenten konzentrieren wir uns auf Darstellungsdimensionen, die Beziehungen zwischen Textpaaren ausdrücken. Die meisten der hier untersuchten Beziehungsdimensionen sind binär d.h., dass die Beziehungen zwischen einem Textpaar existieren oder nicht. 
Einige Dimensionen sind per Definition Text-zu-Text-Beziehungen, z.B. textuelles Entailment, Paraphrasen, Widerspruch oder semantische Ähnlichkeit. So kann es keine Paraphrase innerhalb eines Textes geben, da es eine Beziehung zwischen einem Textpaar ist. Während diese Dimensionen einzeln jeweils viel erforscht wurden, ist einer unserer Beiträge die empirische Untersuchung der Verbindungen zwischen ihnen. Dies gibt uns einerseits ein besseres Verständnis für jede einzelne Dimension, so stellen wir zum Beispiel fest, dass sowohl Entailment als auch ParaphrasenWidersprüche ausschließen, Textpaare, die Entailment nicht enthalten, jedoch nicht unbedingt Widersprüche sind, was in vielen vorherigen Arbeiten jedoch als gegeben betrachtet wurde. Andererseits hat unsere Analyse das Potenzial, Transfer Learning zu verbessern, indem Korpora in einer der Dimensionen verwendet werden, um eine andere zu automatisieren. Wir finden, u.a. dass die prominenteste angenommene Verbindung zwischen Dimensionen—beidseitiges Entailment entspricht Paraphrasen—nicht immer gilt. In den meisten Fällen ist dies jedoch der Fall, was bedeutet, dass ein Transfer Learning zwischen diesen Dimensionen möglich ist. 
Weiterhin zeigen wir, dass einige Dimensionen, die traditionell als Einzeldimensionen existieren, als Beziehungen besser erforscht werden können. Durch die Bewertung von Sentiment im Vergleich zwischen Texten anstelle einer Skala für jeinzelne Texte wurde dies bereits am Beispiel von Sentiment gezeigt. Wir finden, dass Spezifität genau wie Sentiment zuverlässig als Beziehung annotiert werden kann. Darüber hinaus finden wir weitere Parallelen zu Sentiment in Bezug auf die Operationalisierung der Spezifität - sie kann zuverlässiger mit eine Aspekt annotiert werden, ähnlich der Aufgabe der aspektbasierten Stimmungsanalyse. 
Ein weiterer Beitrag dieser Arbeit ist die Erforschung des Zusammenhangs zwischen Dimensionen, die inhärent als Beziehung definiert sind, und dem bisher vernachlässigten Phänomen der Spezifität. Dies wird ermöglicht, indem die Spezifität als Beziehung betrachtet wird, wie im vorherigen Absatz beschrieben. Zum Beispiel nehmen wir an, dass der implizierte Text eines Entailment-Paares eine niedrigere Spezifität aufweist als der implizierende Text, da der implizierte Text keine zusätzlichen Informationen enthalten sollte, als bereits im implizierenden Text beschrieben. Die Analyse der Zusammenhänge zwischen den inhärenten Beziehungsdimensionen und der Spezifität hilft uns, unser Verständnis dieses unterforschten Phänomens zu vertiefen, und gibt einen Anreiz zur Verbesserung seiner Automatisierung. 
Schließlich stellen wir zwei mögliche Anwendungen für jede Dimension vor, nämlich die heterogene Zusammenfassung mehrerer Dokumente und eine spezifischere Art der Zusammenfassung - das benutzerspezifische Filterverfahren von Hotelbewertungen.