Метод 1: Лексические ресурсы
Один из самых простых методов получения синонимов — использование существующих лексических ресурсов, таких как WordNet. WordNet — это широко используемая лексическая база данных, которая предоставляет наборы синонимов (синсеты) для слов. Вот пример того, как извлечь синонимы с помощью библиотеки NLTK в Python:

from nltk.corpus import wordnet
word = 'happy'
synonyms = []
for syn in wordnet.synsets(word):
    for lemma in syn.lemmas():
        synonyms.append(lemma.name())
print(set(synonyms))

Метод 2: распределительная семантика
Методы распределительной семантики представляют слова как векторы на основе их контекстного использования. Встраивания слов, такие как Word2Vec или GloVe, фиксируют семантические отношения между словами, включая синонимы. Вот пример использования библиотеки Gensim и предварительно обученной модели Word2Vec:

import gensim
model = gensim.models.Word2Vec.load('path_to_pretrained_model')
word = 'happy'
synonyms = []
try:
    similar_words = model.wv.most_similar(word)
    for word, similarity in similar_words:
        synonyms.append(word)
except KeyError:
    pass
print(set(synonyms))

Метод 3: контекстное встраивание слов
Модели контекстного встраивания слов, такие как BERT или GPT, предоставляют представления слов, чувствительные к окружающему контексту. Эти модели также могут фиксировать синонимические отношения. Вот пример использования библиотеки Hugging Face Transformers и предварительно обученной модели BERT:

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased')
model = AutoModel.from_pretrained('bert-base-uncased')
word = 'happy'
synonyms = []
encoded_input = tokenizer(word, return_tensors='pt')
output = model(encoded_input)
word_embeddings = output.last_hidden_state.mean(dim=1).squeeze()
similar_words = model.wv.most_similar(word)
for word, similarity in similar_words:
    synonyms.append(word)
print(set(synonyms))