一般人想用的话做法袋获得从文本功能，计数的单词，并计算不同的措施，例如TF-IDF值，如：How to include words as numerical feature in classification特征提取
但是我的问题是不同的，我想从一个单词中提取一个特征向量。例如我想知道土豆和薯条在矢量空间中彼此接近，因为它们都是由土豆制成的。我想知道，牛奶和奶油也是密切，热和温暖，石头和坚硬等。
这个问题叫什么？我可以通过查看大量文档来了解单词的相似性和特征吗？
我不会用英文进行实施，所以我不能使用数据库。
对文本数据的特征提取（例如tf-idf）基于统计。另一方面，你正在寻找意义（语义）。因此，像tf-idef这样的方法不适合你。
在NLP存在3个基本水平：
（较大的数字表示更大的问题:)）。形态学以多数语言而闻名。句法分析是一个更大的问题（它处理诸如什么是动词，某个句子中的名词等......）。语义分析面临的挑战最多，因为它涉及在机器中很难表示的含义，有许多例外情况并且是特定于语言的。
据我了解你想知道的话之间的一些关系，这可以通过所谓的依赖关系树银行做，（或只是树库）：http://en.wikipedia.org/wiki/Treebank。它是一个句子的数据库/图表，一个词可以被看作是一个节点，并且关系可以看作是弧。有很好的树库为捷克语和英语会有也有一些，但对于许多“覆盖少，”语言就可以找到一个问题...
感谢您的信息！ – user1506145 2013-02-11 11:58:57
首先您解释语法和语义之间的区别，然后您建议使用树形库（基本上是关于语法）来提取语义关系？ – jogojapan 2013-02-13 01:18:45
@jogojapan我其实并不真正想要user1506145。它看起来像是之间的一些东西，所以我给了他一些关于它的内容，现在他应该很容易找到合适的文献，并找出他是否适合树库，或者他需要更多的东西....你看到一些不一致？ – xhudik 2013-02-13 08:05:54
user1506145，
下面是一个简单的我过去曾经使用过的想法。收集大量的维基百科文章等短文档。在每个文档上做一个字数。第i个文件和第j个字让
I =文件数量，
J =单词的数量，
x_ij =第j个字出现在第i个文档中的次数，和
y_ij = ln（1 + x_ij）。 Y = U * D *转置（V）），U是IxI，D是对角线IxJ，并且V是JXJ。
可以使用（V_1j，V_2j，V_3j，V_4j）作为R^4中第j个单词的特征向量。
这告诉你，牛奶和奶油有关系吗？ – jogojapan 2013-02-13 01:20:52
我很惊讶以前的答案没有提到单词嵌入。字嵌入算法可以为给定数据集的每个单词生成单词向量。这些算法可以从上下文中提取单词向量。例如，通过查看以下句子的语境，我们可以说“聪明”和“聪明”有某种关系。因为上下文几乎是一样的。
He is a clever guy He is a smart guy
甲共生矩阵可被构建为做到这一点。但是，这太低效了。为此目的而设计的着名技术称为Word2Vec。可以从以下论文中学习。
https://arxiv.org/pdf/1411.2738.pdf
https://arxiv.org/pdf/1402.3722.pdf
我一直在使用它为瑞典。它在检测类似词语和完全无监督方面非常有效。
一个包可以在gensim和tensorflow中找到。
您的标题有误导性。你想从大语料库中提取单词之间的_relations_（或者说，_concepts_），而不是单个单词中的特征。关于这个问题的名称，我称之为_自动创建一个来自非结构化文本的本体。 – jogojapan 2013-02-13 01:15:24
矢量嵌入单词如word2vec，glove或fastText？ – user 2016-08-28 13:31:23