Введение

Фраза, которая встречается чаще в одной работе, чем в большом выборе фразы, не соответствующей статистической вероятности (SIP) - фраза или набор слов, которые встречаются чаще в документе (или сборнике документов), чем в более крупном корпусе. Амазонка. Кристиан Рудер также использовал эту концепцию с данными из онлайн-профилей знакомств и сообщений в Твиттере, чтобы определить фразы, наиболее характерные для данной расы или пола в своей книге Dataclysm . СИП с лингвистической плотностью двух или трех слов, прилагательного, прилагательного, существительного или прилагательного, прилагательного, глагола, будут сигнализировать о отношении автора, предпосылке или выводах читателю или выражать важную идею. Еще одно применение SIP - это инструмент обнаружения плагиата. (Почти) уникальные комбинации слов можно найти в Интернете, и если они появились в опубликованном тексте, поиск определит, где. Этот метод проверяет только те тексты, которые были опубликованы и оцифрованы в Интернете. Например, заявка, написанная, скажем, студентом, содержащая фразу "стиль сада, восхваляющий нерегулярность в дизайне", может быть найдена при помощи Google. com и приведет оригинальную статью Википедии о сэре Уильяме Темпле, английском политическом деятеле и эссеисте.

Пример

В документе о компьютерах наиболее распространенным словом, вероятно, будет слово "the", но поскольку "the" является наиболее часто используемым словом в английском языке, вполне вероятно, что любой документ будет использовать "the" очень часто. Однако фраза вроде "explicit Boolean algorithm" может встречаться в документе с гораздо более высокой частотой, чем ее средняя частота в английском языке. Следовательно, это фраза, которая вряд ли встречается в любом документе, но встречается в данном документе. "Очевидный булевой алгоритм" - это статистически маловероятная фраза. Статистически невероятными фразами из "О происхождении видов" Дарвина могут быть: умеренные продукты, роды, происходящие от потомков, переходные градации, неизвестный прародитель, окаменелости, наши домашние породы, модифицированное потомство, сомнительные формы, близкородственные формы, выгодные вариации, чрезвычайно отдаленные, переходные классы, очень отличные виды и потомство миндалей.