我有許多句子的文本語料庫，其中標記了一些命名實體。 例如，這句話：使用類放大文本語料庫
威奇托德州最好的餐廳是什麼？
其中被標記爲：
是什麼<location>最好的餐館？
我想擴展這個語料庫，通過取樣或抽樣已經存在的所有句子，並用相同類型的其他類似實體（例如，將「wichita texas」替換爲「new york」，所以語料庫將會變得更大（更多句子）並且更完整（其中的實體的數量）。我列出了類似的實體，包括沒有出現在語料庫中的實體，但我希望有一些可能性將它們插入我的替代品中。
你能推薦一種方法，或者直接給我一篇關於這方面的論文嗎？
爲您的具體問題： 這種類型的工作，假設你有一個名爲實體的組織名單（像「地」，「人」，等的單獨列表），一般分爲手動刪除潛在的曖昧名稱（例如，「球衣」可能會從您的名單中刪除，以避免它指的是服裝）。一旦您確信刪除了最不明確的名稱，只需爲每組術語（例如「位置」或「人物」）選擇適當的標籤即可。在包含這些單詞之一的每個句子中，用該標籤替換該單詞。然後，您可以使用您選擇的編程語言進行一些基本擴展，以便每個地點名稱都重複包含「位置」的每個句子，每個包含「人物」的句子會隨每個人名稱重複，等等。
對於關於使用詞類進行聚類的總體概述，請查看開創性的Brown et al。人。紙：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.13.9919&rep=rep1&type=pdf