Двач двачу рознь

29 ноября 2016, 06:55

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.

13 комментариев
Подписаться на комментарии к посту
Яндекс сравнивает объем текстовых поисковых запросов с объемом "олитературенной" разговорной речи XIX века... ну-ну. Даль – не комикс. Хипстеры всё погубят...
Удалённый пользователь
30 ноября 2016, 11:56
Сравнивать "феню" демократическо-имплиментной россии(именно с маленькой, теперь уже, буквы!) с работой филолога мирового уровня? Господа! Может вообще откажетесь от русского языка? нуегонахрен! Подыхающийбазар! Будущее за Английским! Слава Америке!!!
Токо жить в вашей стране... нехочется... Мой дед - ветеран ВОВ не за такое будущее воевал.
Яндекс – чудесная компания. Не в состоянии создать что-то по-настоящему стоящее, эти ребята клепают доносы в ФАС на создателя браузерного движка и мобильной операционной системы, на которых успешно паразитируют. И на вырученные деньги, видимо, проводят подобные никому не нужные исследования. Биг дата все дела.
Прикольно
не очень

Примеры запросов с «ненастоящими» словами: [детский мир отзовы] Что бы это значило? У вас что,корректор пьяный?
Света Чистякова
6 февраля, 14:01
Здравствуйте. Нет, не пьяный. [Детский мир отзовы] — это пример поискового запроса с опечаткой.
Света Чистякова,
Ну, слава богу,всё в порядке! А вот на второй вопрос вы не ответили! А хотелось бы увидеть ответ от ЖИВОГО человека с Яндекса!!!
Вот смотрю комменты и потешаюсь как же вас яндексов любят! Особенно любима ЖИВЫМИ людьми ваша обратная связь. У вас там что,одни роботы?Если есть там у вас ЖИВЫЕ ЛЮДИ,то хотя бы пукните мне на емейл! На данный момент я считаю что ЯНДЕКС это полностью роботизированная система без участия живых людей,работающая сама на себя,но не ДЛЯ людей. Для кого?
Александр
26 февраля, 16:11
Почему в комментах под постом сидят одни обрыганы, которые кроме дедывоевале кококо ничего сказать не могут?)
sergey.husnetdinov
5 марта, 17:20
Интересно было бы узнать, к какой категории относятся ушедшие слова: исчезли явления, вещи или ситуации, в которых они употреблялись.
Ребята из Яндекса, вы там это, держитесь. Какие чудесные люди в комментах сидят, я просто удивлен. Как их сюда занесло-то?
Интересно, а какой объём слов использует среднестатистический гражданин?