
38
■
3
章 単語の出現頻度と特定の文書での出現頻度の分析:
tf-idf
図3-1 ジェーン・オースティンの小説における単語出現頻度の分布
どの小説でも、右の方に非常に長い裾、すなわちロングテールが形成されていま
す(非常に出現頻度の高いありふれた単語)。実は、裾の先端はこのグラフには描か
れていません。どの小説でも、グラフが示す分布はほぼ同じです。出現頻度が非常
に低い多数の単語があり、出現頻度が高い少数の単語があります。
3.2
ジップの法則
言語の世界では、図 3-1 のような分布はごく一般的です。実際、自然言語のどの
コーパスでも(書籍、
Web
サイトのテキスト、話し言葉など)、このような長い裾を
持つ分布は非常に一般的なので、単語の出現頻度(
frequency
)と出現頻度順位(
rank
)
の関係は、以前から研究対象になっています。この関係の古典的なものは、
20
世紀