查找与特定单词相关的单词（特别是物理对象）

Question

我正在尝试查找与单个单词相关的单词（特别是物理对象）。例如：

网球：网球拍、网球、网球鞋

斯诺克：斯诺克球杆、斯诺克球、粉笔

国际象棋：棋盘、棋子

书柜：书

我尝试过使用WordNet，特别是meronym语义关系；但是，这种方法并不一致，如下结果所示：

网球：发球、截击、脚误、设定点、回球、优势

斯诺克：没什么

国际象棋：国际象棋走法，棋盘（其自身的meronym关系显示“正方形”和“对角线”）

书柜：搁置

最终将需要对术语进行加权，但现在这不是一个真正的问题。

有人对如何做到这一点有任何建议吗？

---

只是更新：最终混合使用了 Jeff 和 StompChicken 的答案。

从 Wikipedia 检索到的信息质量非常好，特别是（与某些不存在“blog”和“ipod”等术语的语料库相比）如何（毫不奇怪）有如此多的相关信息。

维基百科的结果范围是最好的部分。该软件能够匹配诸如（为简洁起见的列表）之类的术语：

• 高尔夫：[球、铁、发球台、球包、球杆]
• 摄影：[相机、胶卷、照片、艺术、图像]
• 钓鱼：[鱼、网、钩、陷阱、饵、饵、竿]

最大的问题是将某些词归类为物理人工制品；默认 WordNet 不是可靠的资源，因为其中不存在许多术语（例如“ipod”，甚至“蹦床”）。

Answer 1

在第一种情况下，您可能正在寻找 n-grams，其中 n = 2。您可以从 Google 等地方获取它们，或者从 all of Wikipedia 创建自己的。

欲了解更多信息，请查看this related Stack Overflow question。

Answer 2

我认为您要的是概念之间语义关系的来源。为此，我可以想到多种方法：

1. Semantic similarity algorithms。这些算法通常对 Wordnet 中的关系执行树遍历，以得出两个术语相关程度的实值分数。这些将受到 WordNet 对您感兴趣的概念的建模效果的限制。WordNet::Similarity（用 Perl 编写）非常好。
2. 尝试使用OpenCyc 作为知识库。 OpenCyc 是 Cyc 的开源版本，Cyc 是一个非常庞大的“真实世界”事实知识库。它应该有比 WordNet 更丰富的语义关系集。但是，我从未使用过 OpenCyc，因此无法评价它的完整程度或易用性。
3. n-gram 频率分析。正如杰夫·莫泽所说。一种数据驱动的方法，可以从大量数据中“发现”关系，但通常会产生嘈杂的结果。
4. Latent Semantic Analysis。一种类似于 n-gram 频率分析的数据驱动方法，用于查找语义相关的词集。

[...]

从你说你想做的事情来看，我认为最后两个选项更有可能成功。如果关系不在 Wordnet 中，则语义相似性将不起作用，并且 OpenCyc 似乎对 snooker 了解不多，除了它存在这一事实。

我认为将 n-gram 和 LSA（或类似的东西）结合起来是个好主意。 N-gram 频率会找到与您的目标概念紧密结合的概念（例如网球），而 LSA 会找到在同一个句子/文档中提到的相关概念（例如 net、service）。此外，如果您只对名词感兴趣，则将输出过滤为仅包含名词或名词短语（通过使用 part-of-speech tagger）可能会改善结果。