Самое народное

[ermouth]

10 словосочетаний, 
которые используются в русском чаще всего

Новый год
Последний год
Последнее время
Последний раз
Последний день
Человек хочет
Стать большим
Хороший человек
Стать человеком
Хорошо знать

(я) методика: взят синопсис корпуса литературного русского языка отсюда, выделены самые кассовые слова (существительные, прилагательные, глаголы), сделано 300 запросов в Яндекс по их парам через этот автомат, результат обобщен.

Кстати, Новый год встречается в русском чаще, чем последние четыре члена этого списка, вместе взятые.

Что-то слово "последний" очень популярно, а? С чего бы?

Comments

[ex-neo-is-fl156.livejournal.com]

Врут!
Самая частая пара слов - это debug build
(ладно, про access violation вежливло промолчим)

Итак,

...Средняя длина русского слова составляет 5.28 символа...

...Итак, был взят 1 000 000 слов из разных текстов, и проведён анализ...

Ну пусть на странице, по-минимуму, 2000 символов без пробелов. 2000/5.28 = 378.8 слов на странице. В средней книге 200 страниц. 200*378.8 = 75760.

1'000'000 / 75'760 = 13.19 книг.

13 книг! :) Ну и где доказательство, что это была репрезентативная выборка???
Интересно, какие же это были книги :)))

[pitty.livejournal.com]

Вы такой умный! ;)

[ex-neo-is-fl156.livejournal.com]

Многозначительно промолчу в ответ ;)

[bodry-yar.livejournal.com]

А я знаю продолжение этой фразы:
"Вам череп не жмет?" :)

[pitty.livejournal.com]

прошу всех обратить внимание! Я этого не говорил :)))

ЗЫ нужно тебе диск отдать, все забываю :)

[ermouth.livejournal.com]

Дима, этого вполне достаточно.

[ermouth.livejournal.com]

целиком книги брать нет никакого смысла. ты ж учил статистику :)

[ex-neo-is-fl156.livejournal.com]

Я учил статистику (правда, если честно, я в ней не силён - у нас был всего один обязательный курс, на который я почти не ходил, а из предметов по выбору я её не выбирал, т.к. я предпочитал дискретку).

Из знаний статистики помню один очень важный элемент - результаты никуда не годны без доказательства статистической значимости результатов. В данном случае этот шаг (доказательство статистической значимости) является основным (по трудоёмкости).

К тому же - ты либо бери весь язык (а тогда за что убирать разговорный язык, жаргон, интернет-терминологию, математику?), либо чётко оговори, какую часть языка ты берёшь. Напр., "литературный начала и середины 20-го века, жизненные истории и короткие популярные очерки о политике"

[ex-neo-is-fl156.livejournal.com]

Я к тому, что я целиком согласен, что из книги может взять некоторый кусок. Но даже если брать из каждой книги по 1 странице, получится 2600 книг. Это всё равно очень, очень мало, и становится важно, какие именно книги выбраны.

[ermouth.livejournal.com]

то, что выбор источников непроизвольный -- очевидно.

про корпус русского языка читай ruscorpora.ru

плюс синопсис, который я скачал, не содержит, скажем, слова хуй -- которое точно входит в первые 5000.

я вообще этим всем заморочался в рамках создания машины, которая оценивает эмоциональную окраску текста. кое-какие наработки у меня есть, теперь к ним прибавилось немножко :)