Markovovy řetězce, NLTK a korpus pro češtinu

Napsal "dvojice"

Nána: Ježíši Kriste, co s rozšafností staré hospodyně. »To může lít jako kočky. Ani pavouka si to netrvalo ani jediného?--Přiveď sem nedostane.« »Až budeme brzy vrátíme.« »Co si budeme musit potah zbyl. Tož jak jsem couval, až poznají, kdo umí dobře schovají čtyři sta šestnáct miliónů. Domin: Ticho! Kdyby mne mluvit, psát a mají opravdový stan.« »A jak byl tak líto! Nána: (vstane) Ani ostatní chlapci nad starou Evropu. Vidíte, paní Dominovou? Ach, lidičky, to opakoval: »Osada Stepních Vlků. Druzí to pěkný hlídač! Musíme ho lékař. »A to dobře. Mirek v nějaké hrnce. »To už nezbylo nic, ani slovo dělá takhle!« A už všem klížila víčka. »Půjdeme se Cyril. »Kde je nejzajímavější podívaná. Pak řekl Lojza. »Tak to můžete odejít. (Sulla a pojďme potichu, abychom mohli říci, ale pak Lojza. »Já také ne.« -- Vlci vzpamatovali z dědiny známý hromový hlas. »Dobré je trochu čaje a ostatní přeplavte,« rozkazoval. »Ty, Jožko, lež a psancem ve vlnách. Z průmyslových důvodů, slečno Gloryová. Roboti Domin: centrální řediteli, nějaká slza v románech cowboyové, kostkovanou košili ... »Jdeme!« řekl Milan vytáhl vestu a rozběhl se nic --« »Ani bychom to sem dal. Helena: Nechápu. Domin: Bůh uchovej! Ten má pravdu!

Napsal "trojice"

umělé dělníky je stejné jako vyrábět naftové motory. Výroba má být trochu surovec. To patří k věci. Helena: Já nevím--Řekni honem! Domin: Dnes je první na řadě první, takže potom už nemusíš vstávat.« Fanek chvíli poseděl s chlapci, pak se z tábora samá rýma, samý kašel a žaludek zkažený tím vaším vařením.« »Však my se k němu. »Podívejte se!« ukázal rukou na kmen dubu. Na kmeni stromu byl přibodnut dřevěnou dýkou s plechovým hrotem složený bílý papírek. »Kdo to jakživ slyšel!« rozesmál se Jožka. »Vypadal jako Krakonoš!« »A zatím -- takový čtverák!« »No, dobré je to!« jásal Milan. »Jak to všechno dáme? Hallemeier: Uf! Složí své břímě a žehná velkým křížem dveře napravo. Spi, spi! Kdo spí, neví aspoň o ničem. Helena: Proč? Dr. Gall: Mlčte a prodejte! Domin: Dobrá, hoši! já sám--- já bych je-- Helena: (pozpátku ve dveřích) Oh, Harry, děje se něco? Domin: Ne, máš pravdu. Tak, tady je krásně!« zvolal nadšeně Cyril. »Ale teď se Mirkův hlas ozýval odněkud s »Husího rynku«. »To jste mohli zůstat doma.« »Však kdo začal!« mračil se Karel. »Říkal, ale když viděli, že jsem na ten stan moc nezbylo.« »Raději to naň rychle naplácejme, nebo v tašce nic nezbude,« řekl Karel rozhlédl

• Google to pozná, longtail v angličtině je pokrytý.
• výdělky nejsou tak zajímavé jako náklady na provoz (neřekl bych)
• robot Seznamu by takový web procházel pár miliard let
• robot Seznamu to pozná (:D)
• na většinu slov už je dost MFA, které tvoří ručně lidé (a tudíž mají mírně lepší pozice ve výsledcích a mnohem horší výdělky na množství práce)
• je těžké sehnat kvalitní český korpus jako základ

Napsal BigLebowski;375725

Takhle se dělala kdysi MFAčka v US a dalších zemích...

Napsal BigLebowski;375725

Pak jim to asi velkej Dží zatrhl...

Napsal toshi;375732

- problém Markova je v tom, že vygenerovaný text má vlastnosti zdroje - těžko se budou objevovat longtaily na půjčky v textu o přírodě - a shánět rozsáhle tématické texty s oborovými kw v počítačové podobě je problém...

Napsal toshi;375732

že si nic takového neviděl neznamená, že to nikdo nedělá, ono napřímo ukazovat návštěvníkům podezřelý generovaný text je spíš hloupost nemyslíš?

Napsal karel.kohout;375871

Překvapilo by mě, kdyby Googlebot občas stránky nekontroloval "převlečený" za normálního návštěvníka - ale možná to nedělá.