我建议你使用word2vec来完成这项任务。Word2vec 是一种无监督算法，用于计算语料库中用于学习的单词的 N 维嵌入。基本上，它以 n 维数组的形式为您在输入中使用的每个单词提供数字表示。

一旦建立模型并且可以使用 emeddings，找到相似的单词就像计算数组之间的相似度一样容易。这是在 word2vec 中通过寻找最相似的来完成的：

>>>result = word_vectors.most_similar(positive=['woman', 'king'], negative=['man'])
>>>print("{}: {:.4f}".format(*result[0]))
queen: 0.7699

或直接比较术语：

>>> result = word_vectors.similar_by_word("cat")
>>> print("{}: {:.4f}".format(*result[0]))
dog: 0.8798

在这里查看更多示例。

要回答这个问题：

我想对包含特定领域和口语行话的文本执行此操作，因此现有的 NLP 解决方案可能不适合？

如果您使用自己的领域特定语料库训练模型，则应该没有任何问题；当然，前提是它足够长且足够丰富。