您如何编写程序来查找某些单词是否相似？

Question

即：“college”和“schoolwork”和“academy”属于同一个集群， “essay”、“scholarships”、“money”这些词也属于同一个集群。这是 ML 还是 NLP 问题？

Answer 1

我想您可以使用 ML 和 NLP 技术构建自己的此类关联数据库，但您也可以考虑查询现有资源（例如 WordNet）来完成工作。

Answer 2

关于您的问题的名言是 John Rupert Firth 在 1957 年的名言：

你应该知道它所拥有的公司的一个词

要开始深入研究这个主题，您可以查看this presentation。

Answer 3

如果您有大量与感兴趣的主题相关的文档，您可能需要查看Latent Direchlet Allocation。 LDA 是一种相当标准的 NLP 技术，它可以自动将单词聚类到主题中，其中单词之间的相似性由同一文档中的搭配决定（如果可以更好地满足您的需求，您可以将单个句子视为文档）。

您会发现许多可用的 LDA 工具包。在推荐一个而不是另一个之前，我们需要更多关于您的确切问题的详细信息。无论如何，我还不足以作为专家提出这个建议，但我至少可以建议你看看 LDA。

Answer 4

这取决于你对相似的定义有多严格。

机器学习技术

正如others 所指出的，您可以使用latent semantic analysis 或相关的latent Dirichlet allocation 之类的东西。

语义相似度和 WordNet

与pointed out 一样，您可能希望将现有资源用于此类事情。

许多研究论文 (example) 使用术语语义相似度。基本思想是计算这通常是通过在图上的两个单词之间找到distance 来完成的，如果单词是其父项的类型，则该单词是子项。示例：“songbird”将是“bird”的子级。如果您愿意，语义相似度可以用作创建集群的距离度量。

示例实现

另外，如果你对某个语义相似度度量的值设置一个阈值，你可以得到一个布尔值True 或False。这是我创建的 Gist (word_similarity.py)，它使用 NLTK's 语料库阅读器来读取 WordNet。希望这会为您指明正确的方向，并为您提供更多搜索字词。

def sim(word1, word2, lch_threshold=2.15, verbose=False):
    """Determine if two (already lemmatized) words are similar or not.

    Call with verbose=True to print the WordNet senses from each word
    that are considered similar.

    The documentation for the NLTK WordNet Interface is available here:
    http://nltk.googlecode.com/svn/trunk/doc/howto/wordnet.html
    """
    from nltk.corpus import wordnet as wn
    results = []
    for net1 in wn.synsets(word1):
        for net2 in wn.synsets(word2):
            try:
                lch = net1.lch_similarity(net2)
            except:
                continue
            # The value to compare the LCH to was found empirically.
            # (The value is very application dependent. Experiment!)
            if lch >= lch_threshold:
                results.append((net1, net2))
    if not results:
        return False
    if verbose:
        for net1, net2 in results:
            print net1
            print net1.definition
            print net2
            print net2.definition
            print 'path similarity:'
            print net1.path_similarity(net2)
            print 'lch similarity:'
            print net1.lch_similarity(net2)
            print 'wup similarity:'
            print net1.wup_similarity(net2)
            print '-' * 79
    return True

示例输出

>>> sim('college', 'academy')
True

>>> sim('essay', 'schoolwork')
False

>>> sim('essay', 'schoolwork', lch_threshold=1.5)
True

>>> sim('human', 'man')
True

>>> sim('human', 'car')
False

>>> sim('fare', 'food')
True

>>> sim('fare', 'food', verbose=True)
Synset('fare.n.04')
the food and drink that are regularly served or consumed
Synset('food.n.01')
any substance that can be metabolized by an animal to give energy and build tissue
path similarity:
0.5
lch similarity:
2.94443897917
wup similarity:
0.909090909091
-------------------------------------------------------------------------------
True

>>> sim('bird', 'songbird', verbose=True)
Synset('bird.n.01')
warm-blooded egg-laying vertebrates characterized by feathers and forelimbs modified as wings
Synset('songbird.n.01')
any bird having a musical call
path similarity:
0.25
lch similarity:
2.25129179861
wup similarity:
0.869565217391
-------------------------------------------------------------------------------
True

>>> sim('happen', 'cause', verbose=True)
Synset('happen.v.01')
come to pass
Synset('induce.v.02')
cause to do; cause to act in a specified manner
path similarity:
0.333333333333
lch similarity:
2.15948424935
wup similarity:
0.5
-------------------------------------------------------------------------------
Synset('find.v.01')
come upon, as if by accident; meet with
Synset('induce.v.02')
cause to do; cause to act in a specified manner
path similarity:
0.333333333333
lch similarity:
2.15948424935
wup similarity:
0.5
-------------------------------------------------------------------------------
True

Answer 5

Word2Vec 可以发挥作用（在上下文/语义上）查找相似词。在word2vec中，我们将单词作为n维空间中的向量，可以计算单词之间的距离（欧几里得距离），也可以简单地进行聚类。

在此之后，我们可以得出一些 b/w 2 词相似度的数值。