Частотные словари и принципы их составления

Report
Частотные словари
Частотные словари
• Частотный словарь, вид словаря (обычно
одноязычного), в котором лексические
единицы характеризуются с точки зрения
степени их употребительности в
совокупности текстов, представительных
либо для языка в целом, либо для
отдельного функционального стиля, либо
для одного автора.
Частотные словари
• Информацию о каких словах следует
включать?
• Как оценивать информацию о частотности
слова, полученную на материале
конкретного корпуса?
• Как выделять значимые слова?
Частотные словари
• F – частота
• нормированная частота
• где N — число исследованных слов текста
• В большинстве Частотный словарь приводятся и
абсолютные, и относительные характеристики.
Частотное поведение слова
• ipm, wpm – количество употреблений на
миллион
– стандартное представление частоты токена или
леммы (→ см.), вычисляемое относительно
условного корпуса в миллион единиц
независимо от объема реального корпуса
• ipm(x)=freq(x)*1 000 000/corp,
– где freq(x) – частота единицы в корпусе,
– а corp – объем реального корпуса.
ОПРЕДЕЛЕНИЯ
МОДЕЛИ «РАНГ-ЧАСТОТА»
<ТЕКСТ>

<ЧАСТОТНЫЙ СЛОВНИК>

Пример:
Ранг
r
Слово
W(r)
Частота
f(r)
1
the
245
Ранг
r
Слово
W(r)
Частота
f(r)
2
of
136
3
terms
98
1
W(1)
f(1)
4
to
81
2
W(2)
f(2)
5
a
65
6
and
61
7
in
55
8
we
52
...
…
…
…
r
W(r)
f(r)
Позиция в частотном спектре:
низкоранговое (высокочастотное) vs.
низкочастотное
Функции частотных словарей
• изучение иностранного языка (для чтения 2% слов могут
быть незнакомы, 1000 наиболее частотных слов – без
контекста)
• усовершенствование различных кодовых систем
• системы, основанные на статистических методах поиска
информации, кластеризации документов и т.п.
• изучение словаря отдельных литературных памятников
или авторов на основе сведений о частотах
употребления слов и словосочетаний
• лексикографические исследования (отношения внутри
семантического поля, выделение устойчивых
словосочетаний)
• контент-анализ
Примеры частотных словарей
• Иоссельсон Г. [Josselson, H.] Словарь русского языка. Детройт,
1953. (Josselson Н. Н. The Russian word count... Detroit, 1953).
Объем словника составляет 1700 слов.
• Штейнфельдт Э. А. Частотный словарь современного русского
литературного языка. Таллин, 1963. (2 500 наиболее
употребительных слов)
• Частотный словарь общенаучной лексики / Под общ. ред. Е. М.
Степановой. М., 1970.
• Грузберг А. А. Частотный словарь русского языка второй
половины XVI - начала XVII века. Пермь, 1974.
• Оливерус Зденек Ф. Морфемы русского языка: Частотный словарь.
Praha,
1976.
•
Примеры частотных словарей
• Частотный словарь русского языка: Около 40 000 слов / Под ред. Л.
Н. Засориной. М., 1977. (обработка средствами вычислительной
техники 1 млн словоупотреблений (40 000 слов))
• Лённгрен Л. Частотный словарь современного русского языка.
Uppsala, 1993.
• Ляшевская, Шаров. Частотный словарь современного русского языка
(на материалах Национального корпуса русского языка). М.:
Азбуковник, 2009.
Примеры частотных словарей
Английский:
• Francis W. Kučera, H. Frequency Analysis of English Usage. Boston.
1982.
• John B. Carroll, Peter Davies, & Barry Richman. The American Heritage
Word Frequency Book
• Mark Davies, Dee Gardner A Frequency Dictionary of American English:
Word Sketches, Collocates, and Thematic Lists. published by Routledge.
2010.
Примеры частотных словарей
• Для русского языка было разработано несколько частотных словарей.
Пионером был словарь Г. Йоссельсона, изданный в 1953 году в Детройте на
материале языка по преимуществу дореволюционной России.
• Словари Э.А. Штейнфельд (1963), Л.Н. Засориной (1977), Л. Леннгрена (1993)
и др. были созданы на основе относительно небольших коллекций текстов
(400 тысяч - 1 миллион слов) и в большой степени отражают специфику
русского языка советского периода: частоты слов товарищ и партия в них
сопоставимы со служебными словами, а слово расческа отсутствует.
Существуют также специализированные словари, в частности, словарь
Е.М. Степановой (1976), посвященный общенаучной лексике.
• Отдельную отрасль статистических словарей составляют словари языка
Пушкина, Достоевского, Грибоедова, Цветаевой (Виноградов 1956-1961,
Шайкевич и др. 2003, Поляков 1999, Белякова и др. 1996), которые
полностью описывают язык данного писателя.
50 самых частотных слов в
английском языке
1 6187267 the det
2 4239632 be v
4 2687863 and conj
5 2186369 a det
7 1620850 to infinitive-marker 8 1375636 have v
3 3093444 of prep
6 1924315 in prep
9 1090186 it pron
10 1039323 to prep
13 760399 that conj
16 680739 on prep
11 887877 for prep
14 695498 you pron
17 675027 with prep
12 884599 i pron
15 681255 he pron
18 559596 do v
19 534162 at prep
22 461945 this det
25 433441 they pron
28 380257 she pron
31 364164 as conj
34 333518 say v
20 517171 by prep
23 459622 but conj
26 426896 his det
29 373808 or conj
32 358039 we pron
35 297281 will modal
21 465486 not adv
24 434532 from prep
27 384313 that det
30 372031 which det
33 343063 an det
36 272345 would modal
37 266116 can modal
40 249540 go v
38 261089 if conj
41 249466 what det
39 260919 their det
42 239460 there pron
Некоторые принципы при составлении
частотных словарей
Достоверность указанной частоты
• Частоты слов, полученные по выборке, должны отличаться от частот
слов, существующих в совокупности, не более чем на заданную
величину относительной ошибки.

zp
Np
• , N – объем выборки, δ - заданная относительная ошибка, p – частота,
zp – константа
•
• Пример: словарь Торндайка и Лорджа – указывали пределы pp
Сравнительная частота слов по
частотным словарям
Лемма
Леннгрен Засорина Штейнф.
НКРЯ
Интернет
власть
202
364
138
422
428
думать
609
1094
1058
865
818
загрязнение
69
1
0
9
11
задача
499
421
250
228
292
изучение
193
110
0
63
78
любить
415
632
595
549
650
милый
58
242
135
129
110
Частотные словари. Проблемы
• Если слово встретилось в тексте один раз, то при нормальном
распределении это не влияет на вероятность его употребления там во
второй раз.
• В реальности это не так.
• Каждый текст имеет некоторую собственную тему, слова которой в
этом тексте будут употребляться намного чаще среднего.
• В тексте про хоббитов слово хоббит будет употребляться так же часто,
как и многие служебные слова.
• В результате частотный список, построенный на основе корпуса,
отражает специфику тех текстов, которые попали в него при его
составлении.
Частотные словари. Проблемы
• Корпус большего размера, отражающий большее количество
тем и функциональных стилей (корпус типа BNC или НКРЯ),
– обеспечивает хорошую надежность для наиболее
частотных элементов.
• Но: дальнейшее увеличение объема текстов в ущерб их
разнообразию,
• например, проекты создания Гига-корпусов английского и
китайского языков, содержащих более миллиарда
словоупотреблений новостных текстов, Cieri & Liberman 2002
– может приводить к меньшей надежности частотного
списка на таких корпусах за счет сдвига их словаря в
сторону новостной лексики.
Частотные словари. Значимая лексика
Меры распространенности
• Задача частотного словаря:
• не просто ранжировать слова по их частоте в отдельном
корпусе,
• но и определить лексическое ядро языка,
• необходимо отделить слова, часто встречающиеся во
многих текстах, от тех, чье лексическое поведение
подобно словам Норьега или хоббит, и которые случайно
оказались в той или иной позиции частотного списка.
Частотные словари. Значимая лексика
Меры распространенности
• коэффициент D, введенный А. Жуйаном (Juilland et al. 1970), который
принимает во внимание как число документов, в которых встречается
слово, так и его относительную частоту в этих документах:
• где μ – средняя частота слова по всему корпусу, σ – среднее
квадратичное отклонение этой частоты на отдельных документах, n –
число документов, в которых встречается это слово.
• Значение D у слов, встречающихся в большинстве документов, близко
к 100, а у слов, часто встречающихся лишь в небольшом числе
документов, близко к 0.
• [Juliand et al. 1977]
Частотные словари. Значимая лексика
Меры распространенности
• показатель DP («deviation of proportions», «отклонение
пропорций»)
• он определяет отклонение от ожидаемой величины и
состоит в измерении сравниваемых частей корпуса, а
также последующем вычислении разницы между
ожидаемым и реальным распределением слова, которое
затем делится на два.
• DP, приближающееся к нулю означает полностью
однородное распределение, а равное единице – ситуацию,
когда слово встречается лишь в одной части корпуса.
• [Gries 2008]
Частотные словари. Значимая лексика
Меры распространенности
• формула для измерения средней уменьшенной частоты
(«average reduced frequency», ARF)
1 f
min{di , v}  ARF

v i 1
• В данном случае v – длина одной части, а за d взято расстояние
между двумя словоформами лексемы в корпусе.
di= ni – ni-1
n - позиция нужных слов,
f - количество частей
• [Savický et Hlaváčová 2002]
«Значимая» лексика.
Меры распространенности
Коэффициент D
• слова жуткий, специфический и сырье имеют примерно
равную частоту (21 употребление на миллион слов), но
при этом коэффициент D у специфический - 66, сырье - 18,
а у жуткий - 78, что означает, что последнее слово
значимо для большего числа предметных областей и (при
прочих равных условиях) имеет большие шансы на место
в неспециализированном словаре.
«Значимая» лексика
Меры распространенности
• Частотные словари функциональных стилей составлены на основе
подкорпусов художественной литературы, публицистики, другой
нехудожественной литературы и устной речи.
• В список включены 5 000 самых частотных лемм этих подкорпусов. Список
наиболее типичных лемм для каждого типа текстов был выделен на основе
сравнения частоты лемм в таких текстах и в остальном корпусе.
• В качестве метрики сравнения был использован критерий отношения
правдоподобия (log-likelihood), вычисляемый на основе следующей
матрицы:
Подкорпус
Другие тексты
Весь корпус
Частота
а
b
а+b
Размер
с
d
c+d
Объем выборки
Ошибка
Словарь
объем
выборки
объем
словника
Элдридж
Торндайк
Браун и др.
Иоссельсон
Гарсия Ос
43 989
4 500 000
1 200 000
1 000 000
400 000
6 000
10 000
9 345
1 700
13 000
количество
слов, частота
которых
подсчитана с
δ≤0.3
~ 100
~ 2 200
~ 1 500
~ 1 700
~ 1 100
Пример 1.
Лексема
Частота
(ШЛ)
1
добрый
злой
жестокий
смелый
храбрый
ловкий
верный
богатый
бедный
глухой
слепой
2
171.1
61.5
37.5
26
9
10.3
98.8
85
84
40.7
22.5
Коэф. D
(ШЛ)
3
0.96
0.95
0.96
0.96
0.88
0.93
0.97
0.96
0.96
0.94
0.93
Частота
(Засорина
)
4
277
87
60
73
13
15
119
238
112
54
31
Частота
(Лич)
Коэф. D
(Лич)
5
297, 268
15
14
14
18
18
14
79
108, 172
27
26
6
0.79, 0.96
0.91
0.91
0.95
0.92
0.92
0.94
0.95
0.95, 0.96
0.62
0.95
Пример 2. Контент-анализ
Частота лексемы
• Информационный поиск (индексирование документа,
поиск документа, близкого (наиболее релевантного)
запросу);
• Компьютерная лексикография (выделение «значимой»
лексики, выделение коллокаций (MWE), разрешение
семантической неоднозначности (WSD));
• грамматическая разметка (снятие грамматической
омонимии)

similar documents