Компьютерная лингвистика

Выложил в репозиторий архивчик с текстовым файлом - 130 Мб русскоязычных диалогов, извлеченных из большого корпуса (художественная литература всех жанров, документалистика и еще всякое):

- Андрюха! Да чего же теперь будет?
- Что надо, Арбузик, то и будет!

- Мне бы Шиповника...
- Какого еще Шиповника?

Каждый диалог содержит от 2 реплик, отделяется пустой строкой. Чистка выполнялась автоматически, некоторое количество мусора в диалогах осталось.

Сначала таблица со статистикой. Обработано 2 млрд. слов в художественных текстах общим объемом ~20 Гб в кодировке utf-8. Интересовала частотность одного из самых употребимых "эрративов" ТЫЩА:
( Collapse )