这是一个有趣的问题，感谢您在堆栈中提出。

我认为这个问题类似于我们在情感分析中应用LSA（潜在语义分析）来查找与一些预定义的正负词相关的具有极性的正负词列表。

好读：

• 学习用于情感分析的词向量
• 千亿字语料库中语义方向的无监督学习

因此，根据我的说法，LSA 是您在这种情况下开始的最佳方法，因为它从语料库中学习单词之间的潜在关系，这可能就是您正在寻找的。

如果我理解您的问题，您可以查看使用标题后面的术语形成的共现矩阵；例如，高级 FOO、初级 BAR 等。然后您可以使用合适的度量来计算任何一对术语之间的相似度，例如“高级”和“初级”；例如，余弦相似度。

不确定这是否正是您正在寻找的，但 r-base 有一个名为“adist”的函数，它创建一个近似字符串距离的距离矩阵（根据 Levenshtein 距离）。键入“？adist”以获取更多信息。

words = c("senior", "primary", "lead", "head", "vp", "director", "stuff", "principal", "chief")
adist(words)

      [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9]
 [1,]    0    6    5    5    6    5    5    7    5
 [2,]    6    0    6    6    7    7    7    6    6
 [3,]    5    6    0    1    4    7    5    8    5
 [4,]    5    6    1    0    4    7    5    8    4
 [5,]    6    7    4    4    0    8    5    8    5
 [6,]    5    7    7    7    8    0    8    8    7
 [7,]    5    7    5    5    5    8    0    9    4
 [8,]    7    6    8    8    8    8    9    0    8
 [9,]    5    6    5    4    5    7    4    8    0

此外，如果 R 不是一个选项，Levenshtein 距离算法在此处以多种语言实现： http ://en.wikibooks.org/wiki/Algorithm_Implementation/Strings/Levenshtein_distance

（评论太长了）

基本上，@Emre 的答案是正确的：简单的相关矩阵和余弦距离应该可以很好地工作*。不过，有一个微妙之处——职称太短，无法承载重要的背景。让我解释一下。

想象一下 LinkedIn 个人资料（这是一个很好的数据来源）。通常，它们包含 4-10 句话来描述一个人的技能和资格。您很可能会在同一个人资料中找到“首席数据科学家”和“Matlab 和 R 的专业知识”之类的短语，但不太可能在其中看到“初级 Java 开发人员”。所以我们可以说“lead”和“professional”（以及“data science”和“Matlab”和“R”）经常出现在相同的上下文中，但它们很少与“junior”和“Java”一起出现。

共现矩阵正好说明了这一点。在相同的上下文中出现的 2 个单词越多，它们在矩阵中的向量看起来就越相似。而余弦距离只是衡量这种相似性的好方法。

但是职称呢？通常它们要短得多，实际上并没有创建足够的上下文来捕捉相似之处。幸运的是，您不需要源数据本身就是标题 - 您需要找到一般技能之间的相似之处，而不是专门在标题中。因此，您可以简单地从（长）配置文件中构建共现矩阵，然后使用它来测量标题的相似性。

* - 事实上，它已经在一个类似的项目中为我工作了。