编辑： 我有一些术语/主题，我想量化这些术语/主题在意义或领域上的差异。以下是我想要应用它的用例：
现在我有来自twitter的关于特定板球比赛的数据集（带有此比赛主题标签的推文）。我想看看有多少与板球比赛无关的其他主题在这样的推文中出现。例如，如果有人开始在这样的推文中采取“叙利亚避难所”，这与游戏Cricket的话题无关。 我的基本方法是从这些推文中提取主题，然后确定哪些主题与板球领域密切相关，哪些不是。
答案 0 :(得分：1)
从统计数据来看，您可以查看word2vec，fasttext和类似模型。这里＆＃34;差异＆＃34;可以是向量空间中两点之间的距离（欧几里德或余弦相似度）。简而言之，您将语料库加载到创建n维空间的引擎中，将单词（有时是文档或字符串）作为空间中的点放置，使得出现在类似上下文中的单词具有近似表示（向量）
大多数此类表示的一个缺点是反义词经常彼此接近：例如，在＃34;我爱你＆＃34;和＃34;我讨厌你＆＃34;，爱与恨有着非常相似的背景。
从语义的角度来看，当您添加标记本体时，您可以使用结构化知识库或本体。一种选择是定义＆＃34;距离＆＃34;在两个术语之间的分类。您可以检查它们是否与兄弟姐妹出现在同一级别，一个是另一个或其他关系的父级。我认为最直接的方法是为每个关系手动定义权重，但是图表遍历和聚类的统计方法也是合适的。
对于类，您可以使用您拥有的实例数以及这些实例之间的任何关系。例如，您可以计算＆＃34; bird＆＃34;之间的距离。和＆＃34;椅子＆＃34;通过与你有关系的鸟和椅子的实例数量＆＃34;坐在＆＃34;。希望＆＃34; person＆＃34;和＆＃34;椅子＆＃34;将会更加接近，因为你的大多数人物都会有一把指定的椅子＆＃34;对象
答案 1 :(得分：0)
要快速浏览，您可以使用bird-noun-1和chair-noun-1以及wordnet： http://labs.fc.ul.pt/dishin/ 它给你：
Resnik 0.315625756544
Lin 0.0574161071905
Jiang＆amp; Conrath 0.0964964414156