Новости бизнесаСтатьиАналитические колонкиДеньгиКурс валютБизнес технологии
Главная > Новости бизнеса > Hi-Tech > Двач двачу рознь: слова из Даля в поисковых запросах к Яндексу

Двач двачу рознь: слова из Даля в поисковых запросах к Яндексу

Вторник, 29 ноября 2016 г.

Следите за нами в ВКонтакте, Facebook'e и Twitter'e

Принято считать, что словарь Даля содержит множество непонятных диковинных слов: либо безнадёжно устаревших, либо мало распространённых, либо просто придуманных. Мы решили проверить, соответствует ли это действительности, и посмотрели, сколько слов из словаря Даля люди реально употребляют в поисковых запросах. О результатах проверки читайте в исследовании «Русский язык в словаре Даля и поиске Яндекса», а здесь мы расскажем, почему сравнение слов из словаря со словами из поисковых запросов — не совсем тривиальная задача.

О словаре Даля

Первое издание «Толкового словаря живого великорусского языка» В.И. Даля вышло в 1863–1866 гг. Словарь не является нормативным: его далеко не всегда можно использовать для ответа на вопросы «как пишется то или иное слово» и «что значит то или иное слово». Зато он представляет собой уникальный справочник по живому разговорному языку XIX века. Его можно читать не как словарь, а просто подряд. Поисковые запросы содержат в том числе и разговорную лексику, так что сравнив слова из словаря и слова из запросов, можно увидеть, что изменилось за 150 лет.



Количество слов в словаре Даля обычно оценивают приблизительно — около 200 тысяч. Это слова, для которых дано толкование, — сам Даль называл их «красными». Красные слова организованы в гнёзда. В словаре насчитывается немногим более 40 тысяч гнёзд и, соответственно, гнездовых слов.

Обработка слов из словаря

Выбрать гнездовые слова можно без проблем, однако выделить полный словник сложнее — красные слова находятся внутри словарных статей, а иногда даже внутри предложений. Часть слов приведены в словаре не полностью: так, многие возвратные глаголы обозначены только частицей -ся после соответствующего невозвратного глагола — здесь, например, это глагол «брошюроваться»:

Статья в словаре. «Брошюра» — гнездовое слово; «брошюрный», «брошюровать», «брошюроваться», «брошюрование» и «брошюровка» — красные слова.

Мы использовали электронную републикацию словаря на основе 2-го издания. Все слова, для которых дано толкование, в нём записаны полужирным курсивом — их мы и достали. Слова, записанные не целиком, не учитывали.

Обработка запросов

С ноября 2015 по октябрь 2016 года поиск Яндекса ответил примерно на 70 миллиардов запросов. Если по пробелам и специальным символам разделить эти запросы на словоформы, выбрать только те, которые состоят из кириллических букв, и автоматически привести их к начальной форме, получается больше 285 миллионов разных слов — в 1425 раз больше, чем в словаре Даля.

Понятно, что далеко не всё из этого действительно слова. Пользователи время от времени допускают ошибки и опечатки, забывают переключить раскладку, а иногда просто вводят в поиск случайные последовательности букв.

Примеры запросов с «ненастоящими» словами: [детский мир отзовы] — ошибка в написании; [нщгегиу] — неправильная раскладка; [аааааааааааааау] — бессмысленная последовательность букв.

Чтобы уменьшить погрешность при сравнении, мы решили использовать также Национальный корпус русского языка. Это собрание русскоязычных текстов в электронной форме, причём их состав сбалансирован: они подобраны таким образом, чтобы отражать разные типы и стили. Можно сказать, что корпус представляет русский язык на текущем этапе существования.

Мы взяли весь корпус с начала XX века, за исключением подкорпусов с бытовыми текстами, электронной коммуникацией и рекламой — в них, как и в поисковых запросах, часто встречаются ошибки и несуществующие слова. Всего в корпусе оказалось 840 тысяч слов, причём 88 тысяч из них не встречаются в поисковых запросах:  это некоторые топонимы и слова, выдуманные различными писателями.

Анализ

Итак, у нас есть списки слов из словаря Даля, поисковых запросов и корпуса русского языка,  но просто пересечь их и посмотреть на результаты недостаточно. Одна из главных проблем — омонимия: слово может писаться одинаково, но иметь в словаре Даля и в поисковом запросе совершенно разные значения.



Чтобы учесть омонимию, мы разделили слова из словаря Даля на несколько групп в зависимости от их частотности в поиске и от того, есть ли они в корпусе, и вручную проверили небольшие выборки из каждой группы.

Понятно, что те слова, которые очень часто — более 100 тысяч раз — встретились в запросах, но отсутствуют в корпусе, с наибольшей вероятностью являются омонимами. Те слова, которые в течение целого года искали всего один-два раза, скорее всего, относятся к уходящим или ушедшим. Чтобы уточнить, к какой именно группе относится слово, понадобились дополнительные проверки. Мы посмотрели, в каких поисковых запросах и в каких контекстах в корпусе встречались слова, и что Яндекс отвечает на запросы, в которых они присутствуют, — то есть как они представлены в интернете. В результате окончательно определили доли вышедших из употребления, уходящих и до сих пор использующихся слов из словаря Даля.



Ссылки

Исследование «Русский язык в словаре Даля и поиске Яндекса» — расскажет о живых, уходящих и ушедших словах из словаря В.И. Даля.

Интерактивная карта «Региональные слова из словаря Даля» — покажет слова из словаря, характерные для разных регионов России.

Тест «Угадайте значение слова» — поможет проверить, отличаете ли вы маламзю от фалбалы, а журапки — от кабатеек.

Следите за нами в ВКонтакте, Facebook'e и Twitter'e


Просмотров: 106
Рубрика: Hi-Tech
(CY)

Архив новостей / Экспорт новостей

Ещё новости по теме:

18: 41
Изображения смартфона Samsung Galaxy A7 следующего поколения демонстрируют аппарат, похожий на флагманские модели |
18: 21
Можно ли провести успешный редизайн приложения — Кейсы Instagram, Medium, Tumblr |
17: 41
Foxconn может перенести производство iPhone в США |
17: 41
Российский робот-спасатель Федор готовится к испытаниям |
17: 41
Нервожгут: как заставить нервы останавливать кровотечения |
16: 41
Пульт SilverStone ES02-USB позволяет дистанционно включить, выключить или перезагрузить ПК |
16: 41
Покупка Microsoft социальной сети LinkedIn одобрена регуляторами |
16: 41
Apple заплатит штраф в $450 тыс. за загрязнение окружающей среды |
16: 21
Apple опубликовала советы для тех, кто фотографирует на iPhone 7 Plus |
16: 21
«Вес» приложений в Google Play сократится до 90% |
16: 01
У iPhone в Китае нет неисправных взрывающихся батарей |
16: 01
Парламент Франции ввел налог в 2% на рекламные доходы видеосервисов |
15: 41
Пыль из космоса найдена на крышах домов в Париже и Берлине |
15: 01
Почему MacBook Pro ругают только глупые люди |
15: 01
Первый в мире магазин без кассовых аппаратов |
15: 01
Морские лилии: живое украшение океана |
14: 41
Стали известны цена на телевизоры 4К OLED, которые Sony выпустит в 2017 году |
14: 41
Концептуальный смартфон Huawei Honor Magic дебютирует 16 декабря |
13: 41
Производитель снеков обучил подростков программированию с помощью акции по «спасению» блогеров от хакеров |
13: 21
Fitbit интересуют лишь разработчики ПО и интеллектуальная собственность Pebble |
13: 01
Мнение: Пользовательский интерфейс — это компенсация отсутствия телепатии |
12: 21
ЦУП заявил о преждевременности выводов о причинах аварии «Прогресса» |
12: 21
Локальная root-уязвимость в ядре Linux |
12: 21
Western Digital и Samsung продлили соглашение о взаимном лицензировании |
12: 01
Появился новый способ кражи денег через WhatsApp |
12: 01
Нейробиологи нашли разгадку фрески Микеланджело |
12: 01
Первый снег и действительно большая авария |
12: 01
В следующем году Google полностью перейдёт на использование возобновляемой энергии |
12: 01
Xiaomi Mi Note 2 с плоским экраном ждать не стоит |
12: 01
SoulCalibur отмечает свое двадцатилетие |
11: 41
С док-станицей Nintendo Switch может стать производительнее |
Новости бизнесаСтатьиАналитические колонкиДеньгиКурс валютБизнес технологии
Rating@Mail.ru
Условия размещения рекламы

Наша редакция

Обратная связь

RosInvest.Com не несет ответственности за опубликованные материалы и комментарии пользователей. Возрастной цензор 16+.

Ответственность за высказанные, размещённую информацию и оценки, в рамках проекта RosInvest.Com, лежит полностью на лицах опубликовавших эти материалы. Использование материалов, допускается со ссылкой на сайт RosInvest.Com.

Skype: rosinvest.com (Русский, English, Zhōng wén).

Архивы новостей за: 2016, 2015, 2014, 2013, 2012, 2011, 2010, 2009, 2008, 2007, 2006, 2005, 2004, 2003

Октябрь 2011: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31