利用一些码农Trick去搞一搞G和T的单词

根据自然语言处理中的Zipf统计定律，在自然语言的语料库里，一个单词出现的频率与它在频率表里的排名成反比。因此，我们有理由认为，可以根据这个频率表进行一下排序，以及purning。由于精力有限，没有足够时间和带宽去搜集统计英文语料，因此我从网上找到了《酷“艾”英语之美国语料库词频统计》，该表收录了Top 6w的单词，似乎有一定价值。我们可以认为，如果出现频率Top 6W都没有，那么这个词不认识（也就是从你的Language Model里面 Cut 掉）应该也没问题（或许有雾，或许考试就考生僻单词也说不定，但是从实用意义上讲是没错的）…… 于是，我又寻找了G和T的单词电子版，G我使用了再要你命3000，T我用的是不知名语料…… 然后按照 Top 6W 排序，直接扔掉不在列表中的，于是，5666 + 3000 － 若干 ＝ 6662，去重和Cut off的效果还是很明显的…… 就这样，我有了一个按重要性排序的大小较小的词表。由于在merge的时候，代码没有处理和英文单词对应的中文，因此这比较麻烦…… 于是，我们寻找公开的词典API，企鹅公司难得作点好事…… 返回json，parse之……代码如下

「Update：企鹅公司关闭了dict.qq.com的这个免费接口，看看就好了……」

 require "json"
 require "net/http"

 while word = gets do
   word.chomp!
   begin
     str = Net::HTTP.get('dict.qq.com', '/dict?q=' + word)
     tmp = JSON.parse(str)["local"][0]["des"]
     puts word
     tmp.each { |i|
       print i["p"] if i["p"]
       print i["d"] if i["d"]
       puts
     }
     puts
   rescue => err
     p err
   end
 end

这是最后的结果，你敢死，我就敢埋……

由于单词是按照出现频率排序的，因此，从前往后背吧，能背多少是多少……