Le rôle fondamental de l'hyperonymie en traitement du langage naturel (NLP) a motivé le développement de nombreuses méthodes pour son identification automatique, la plupart s'appuyant sur la distribution des mots. Nous examinons un grand nombre de mesures non supervisées de ce type, en utilisant plusieurs modèles sémantiques distributionnels qui diffèrent par le type de contexte et le poids des caractéristiques. Nous analysons les performances des différentes méthodes en fonction de leur motivation linguistique. La comparaison avec les méthodes supervisées de pointe montre que, bien que ces dernières surpassent généralement les méthodes non supervisées, elles sont sensibles à la distribution des exemples d'entraînement, ce qui affecte leur fiabilité. Les mesures non supervisées, basées sur des hypothèses linguistiques générales et indépendantes des données d'entraînement, sont plus robustes et constituent donc toujours une arme utile pour la détection de l'hyperonymie.