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: 231
Рубрика: Hi-Tech
(CY)

Архив новостей / Экспорт новостей

Ещё новости по теме:

16: 40
Дуров ответил на обращение Роскомнадзора по поводу потенциальной блокировки Telegram |
16: 20
В США решили создать корпус космодесантников |
15: 00
10 самых умных животных |
15: 00
«Паша, открывай – это Роскомнадзор» или как на Руси Telegram «брали» |
15: 00
В чикагском Apple Store крышу сделали из огромного MacBook |
15: 00
Разведка ископаемых оставляет в океане двухкилометровые мёртвые зоны |
15: 00
Модный дом Podium Market прекратил работу и передал часть магазинов владельцам Stockmann |
14: 40
Стоит ли доверять онлайн-казино с играми от IGT |
14: 40
Названы цены объективов Sigma 24-70mm F2.8 DG HSM OS Art и Sigma 14mm F1.8 DG HSM Art, начат прием предварительных |
14: 40
«OnePlus 5, тьфу на тебя еще раз!»: устаревший дисплей, странная камера |
13: 00
Видели такой гибрид PS4 и Xbox One? Да, это необычная игровая Xstation |
12: 40
Расширенные настройки фильтрации в Вебмастере |
12: 40
Первое видео из кабины гоночного беспилотника |
12: 20
digiKam 5.6 |
12: 00
Bloomberg: Airbnb запустит премиум-сервис аренды жилья для конкуренции с отелями |
11: 20
Ubuntu переходит на формат сетевой конфигурации netplan |
11: 00
Золотой Elephone S8 показался на видео |
11: 00
Виртуальная реальность с VR180: совсем как в жизни |
10: 40
Картошку превратили в электронного питомца на колесах |
10: 40
В Steam стартовала масштабная летняя распродажа |
10: 40
Фестиваль «Битва тысячи мечей. Рагнарёк»: 15 июля в Коломенском |
10: 40
Kodak при поддержке Archos выпускает фирменные планшеты формата 7 и 10 дюймов |
10: 40
В Солнечной системе может существовать еще одна планета вроде Марса |
10: 40
Назван сайт, который привел к блокировке Google |
10: 40
Стало известно название следующего фильма во вселенной «Парка Юрского Периода» |
10: 20
Представлено новое видео Hellblade: Senua"s Sacrifice |
10: 20
Появилась первая демонстрация Beyond Good & Evil 2 на движке |
10: 20
В Google не одобряют скорости, на которых работает OnePlus 5 |
10: 20
В России узнали состав биотоплива из водорослей |
10: 20
Неудачная парковка вертолёта: винт крушит дом |
10: 20
За первый месяц в России было продано почти 56 тысяч Samsung Galaxy S8 |
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

Март 2017: 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