想形容那个啥特别那什么，怎么个词来着？点进内⽂就有答案。在⾖瓣⽂字失语者互助联盟，超过30万⼈在给⾃⼰的语⾔能⼒“举哑铃”。越来越多的⼈患上了这种时代病——不知如何将感受化为⽂字，或话到嘴边却发现词不达意、⾔不由衷。在厌倦了⽹络⽤语复读机似的轰炸之后，我们如何找回正常的语⾔表达？机器有答案。
输⼊你想要表达的意思，就能获得对应的词语，名为WantWords（曾叫做“万词王”）的“反向词典”工具拯救了失语的人们。系统每次都会给出100个词语，背景⾊由深⾄浅，代表系统⼼⽬中这个词的接近程度。但通常，在前⼗个词⾥你就能找到⾃⼰想要的那⼀个（正式研究中，前⼗个词的命中率是75%）。每天，有两万多⽤户⽤它处理失语和词穷的困扰。
它怎么能“猜”得这么准？
以下为这个反向词典系统开发者的讲解（岂凡超，清华⼤学计算机系博⼠⽣，主要研究⼈⼯智能和⾃然语⾔处理）：WantWords的运作原理跟⼈类的思维模式有些相像。当⼈类根据⼀个描述去猜词的时候，脑⼦⾥会经历⼀个怎样的过程呢？我们常常也不是⼀下就知道答案的，而是从多个⽅⾯，先去做推测。这些信息拼贴在⼀起，就可以帮助你推断出，它可能是“expressway”、“快速路”、“高速公路”这样的词。
在此之前，英⽂世界已经存在多部反向词典。它们背后的技术，是⼈⼯智能领域最主要的分支之一——自然语言处理（Natural Language Processing，NLP），⼀项旨在让机器理解和说出⼈类语⾔的技术。2000年，Bengio提出了“词嵌⼊”（word embedding）技术，将⼈类语⾔转化为机器能够理解的“语言”，也就是数字（词向量）。
如今，机器已经能在特定任务上做得很好，⽐如客服、问答，但如果你只是随便跟它说点什么，它可能就不太理解。
为了解决这些问题，就要去借助语料之外的东西了。于是我们就想到，可以人为地加上⼏层筛选条件，让机器更容易找到那个“正确的”词。除了词性、词素这两个词语本身具有的特征，我们还加⼊了两个人为规定的外部特征。一个叫“层次体系”。另一个叫做“义原”。义原能帮助机器更灵活地表达和理解⼀个词的意思。我们使用的HowNet义原知识库从上世纪90年代就开始构建，至今已经是⼀个非常有特⾊的知识库。
WantWords反向词典的第⼀版产品最早在2019年就做出来了，主要由我和实验室的另⼀名同学张磊合作完成。我们发现了这种可能，就去做了探索。直到去年11⽉的时候，突然被⼀家科技媒体在微博上推荐，⼀下⼦涌进来好多⼈——当时网站就崩溃了。用户量放上来之后，很多⼈就在后台留言，说很喜欢这个产品。最开始有⼈提出愿意帮我们做小程序，后来愿意帮忙的人越来越多，到现在整个志愿者团队已经有13个人。
其实，有的时候机器已经比⼈更会说话了。尤其是GPT-3出现之后，它的应用给整个行业都带来很⼤的激励。现在这样的语料库很多，最⼤的包含上百亿个词语。我们希望将它打造成互联⽹最好用的查词工具，帮更多⼈解决词穷的问题。