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: 199
Рубрика: Hi-Tech
(CY)

Архив новостей / Экспорт новостей

Ещё новости по теме:

07: 00
Анонсирован непривязанный джейлбрейк для iOS 10.3 |
16: 20
Rust 1.16 |
16: 00
В Китае нашли "мухоморы" мелового периода |
16: 00
Российский Uber начал показывать цвет машины |
15: 40
Пользователи домашнего помощника Google Home пожаловались на аудиорекламу |
15: 40
Появились первые изображения 3D-карты AMD Radeon RX Vega |
15: 40
Внутреннее соединение Infinity Fabric в процессоре AMD Ryzen работает на частоте памяти |
15: 00
Как упорство позволило совместить увлечение всей жизни с программированием — Разработчик Игорь Гриценко о создании просмотрщика файлов в формате Sketch |
14: 40
«Одноклассники» сделают просмотр видео платным |
14: 40
10 самых крутых автомобилей из фильма "Безумный Макс: Дорога ярости" |
14: 40
Американцы показали секретные ядерные испытания |
14: 40
Учёные научились находить клетки, где прячется ВИЧ |
14: 20
Выключите уже эту вспышку! |
14: 20
Зацените новейший iPhone в ретро-стиле |
14: 20
Samsung Galaxy S8 с 6 ГБ ОЗУ выйдет только в Китае |
14: 20
Samsung Galaxy Note 5 начал обновляться до Android 7.0 Nougat |
14: 20
Приснится же |
14: 20
Артемий Лебедев создал дизайн кроссовок для конкурса Nike |
14: 00
Mail.Ru Group договорилась с «дочкой» Alibaba о совместном распространении мобильных игр |
13: 40
Разнообразие игровых слотов в онлайне |
13: 40
Денежные ставки в интернете |
13: 40
Лучшие слоты от проверенных создателей |
13: 40
Евросеть разваливается |
13: 40
Это обзор отвёртки Xiaomi WOWStick 1FS. Отвертка. От Xiaomi. |
13: 00
Blizzard хочет оштрафовать разработчика читов на $8,5 млн |
13: 00
ФРИИ проинвестирует 15 млн рублей в сервис по поиску нянь KidsWay |
12: 40
Sony прекращает производство консоли PS3 |
12: 40
Новая модель камеры Samsung Gear 360 появилась в базе данных FCC |
12: 40
Apple подняла цены на музыку в iTunes в России |
12: 40
ColorWare создала винтажный iPhone 7 Plus Retro Edition за 1899 долларов |
12: 40
Apple построит два дополнительных центра исследований и разработок в Китае |
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