Die grundlegende Rolle der Hyperonymie im Bereich der NLP (Natural Language Processing) hat die Entwicklung vieler Methoden zur automatischen Identifikation dieser Beziehung angeregt, von denen die meisten auf Wortverteilungen basieren. Wir untersuchen eine große Anzahl solcher unüberwachten Maßnahmen, indem wir verschiedene distributionelle semantische Modelle verwenden, die sich durch den Kontexttyp und das Feature-Gewichtungsschema unterscheiden. Die Leistung der verschiedenen Methoden wird anhand ihrer sprachlichen Motivation analysiert. Ein Vergleich mit den neuesten überwachten Methoden zeigt, dass obwohl diese im Allgemeinen die unüberwachten übertreffen, sie empfindlich auf die Verteilung der Trainingsinstanzen reagieren, was ihre Zuverlässigkeit beeinträchtigt. Da unüberwachte Maßnahmen auf allgemeinen sprachlichen Hypothesen basieren und unabhängig von Trainingsdaten sind, sind sie robuster und daher weiterhin ein nützliches Instrumentarium für die Hyperonymieerkennung.