Не так давно ребята из reddit выложили публично-доступный набор данных из всех постов и комментариев. А разработчики spaCy собрали на базе этих данных как они называют "sense2vec", из ключевых слов в комментариях. Попробуйте по вставлять английские слова и оценить близость их по контексту sense2vec.spacy.io/