提供涵盖该术语的文档数量的资源

Question

我正在寻找提供术语涵盖的文档数量的资源。例如，大约有250亿个文档包含术语＆＃34;＆＃34;在索引的互联网上。

Answer 1

我不知道大型语料库（如网络）的任何文档频率列表，但有一些术语频率列表可用。例如，有frequency lists from the web corpora compiled by the Web-As-Corpus Kool Yinitiative，其中包括20亿ukWaC英语网络语料库。或者，有n-grams from the Google Books Corpus。

has been shown这样的术语频率计数可用于可靠地近似文档频率计数。

Answer 2

Here是一种可治疗的频率。

另请查看this site - 它包含有关现有语料库和单词/ ngrams列表的大量信息。不幸的是，大多数资源都是付费的，但不是n-gram（n> 1），所以如果您要处理多字词，它可以提供帮助。