Lema – tai bazinė žodžio forma, be linksnių, be daugiskaitos. Netrukus paaiškinsiu kaip ši veikia, bet paprastai tariant…
→ Kas labiau tikėtina, kad bus užimta: „Šunys“, „Šunims“ ar bazinis „Šuo“?
Patikrinau ir palyginau.
Kas tos lemos?
Dažniausi žodžiai: tie, kurie rašytinėje kalboje pasakyti, na, dažniausiai. Pavyzdžiui šioje pastraipoje visi žodžiai paminėti po vieną kartą, išskyrus „žodžiai“, kuris paminėtas tris kartus.
(Taip, techniškai „paminėti“ ir „paminėtas“ yra skirtingi.)
Čia ateina lematizacija ir tai ne tik galūnės pakeitimas. Trumpai tariant, lema ––– žodžio pagrindas. Pavyzdžiui visi žodžiai „esu“, „yra“, „bus“ turi vieną bendrą reikšmę: „būti“.
Lematizavus pirmą pastraipą gautume šitą: „Dažnas žodis tas kuris rašytinis kalba pasakyti. Pavyzdys, šis pastraipa visas žodis paminėti vienas kartas, išskirti žodis, kuris paminėti trys kartas“. Jei nori pabandyti, yra tam ir įrankis: Lemuoklis.
…Žodžiu, toks „kalbėk kaip urvinis žmogus“ atvejis. 😄
Bet lematizacija padeda prafiltruoti žodžių sąrašą. O, plius, ir šiaip įdomu, bus palyginti su pilnu žodžių sąrašu. 😉
Taaaaaiiigggiiiiiiii…
Pirmas variantas: lematizuotas žodžių sąrašas
Paėmiau Andrius Utka paruoštą dažniausių lietuviškų žodžių sąrašą su žodžių lemomis. Ačiū autoriui, man tereikėjo tik lemas išsiimti į atskirą failą ir susitvarkyti:
Tada liko domenų patikrinimas. Iš kiekvieno žodžio gavosi po lietuvišką domeną (pvz. „zodis.lt“) → užklausti domreg.lt serverio koks domeno statusas → ir išsisaugoti informaciją.
Statistika:
- Tikrinti: 39 153 lematizuoti domenai
- Laisvi: 30 567 — 78%
- Registruoti: 8526 — 21,7%
- Karantine: 56 — 0,1%
- Rezervuoti: 6 — 0%
- Apriboti: 2 — 0%
- Užblokuoti: 52 — 0,1%
Antras variantas: Pilnas žodžių sąrašas
OK, o dabar palyginkime su pilnu žodžių sąrašu. Naudoju tą patį šaltinį, tą patį sąrašą. Tiesiog dabar jau neišrenku lemų – jamu visą, cielą.
Patikrinsime ir „aistra“, ir „aistros“, ir „aistringas“ ir… Žodžiu, viską.
Statistika
- Tikrintas: 115 831 domenas, įskaitant ir lemas
- Laisvi: 104 579 — 90% arba 12% daugiau
- Užimti: 10 983 — 9,5% arba 12% mažiau
- Karantine: 86 — 0,1%, iš esmės tiek pat
- Rezervuoti: 11 — 0%, iš esmės tiek pat
- Apriboti: 3 — 0%, iš esmės tiek pat
- Užblokuoti: 169 — 0,2%, iš esmės tiek pat
Tai ką matome?
Žmonės dažniau perka „šuo.lt“ nei „šunims.lt“.
Arba kitaip tariant, lematizuotos (bazinės) žodžio formos dažnesnės.
Kodėl? Turiu du spėjimus:
- Kai kažkam kyla idėja registruoti domeną, jie galvoja baziniu žodžiu – ne linksniu, ne forma, o tiesiog „kas tas yr“.
- …Arba tiesiog yra minia domenų supirkėjų-pardavėjų, perkančių pagal žodyną.
(Ar turi savo idėjų? Pasidalink, gal kažką dar praleidžiu.)
Čia, jei ir tu planuoji daryti gilesnę domenų analizę ar ieškoti paslėptų svetainių, pasirodo verta pradėti nuo lematizuotų domenų – didesnis šansas kažką rasti.
Lemom paremti domenai dvigubai dažnesni.
Dabar tik keli klausimai ateičiai:
- Ar vartotojams „kėdė.lt“ įsimintinesnis nei „kėdės.lt“?
- O kaip su linksnių ir vienaskaitos/daugiskaitos pasiskirstymu realiai naudojamuose domenuose? Kokių būna dažniau?
(Jau patikrinta: palyginau kalbos dalis – veiksmažodžius su daiktavardžiais ir t.t.)
Reiks tą panagrinėti. Tikiuosi atlikęs dar kelis eksperimentus tam surinksiu pakankamą duombazę, galėsiu išanalizuoti.
→ Ką dar būtų įdomu patikrinti? Perku idėjas! 😉
Pasirašo Danielius, rašyta be AI.
Šio šiandienos tyrimo subtilumas: tyrime naudoti gana seni duomenys, pirmą kartą surinkti dar 2009 metais. Būtų logikos pakartoti tyrimą su naujesniais duomenimis. Nors, spėju, kad rezultatas būtų panašus, nes mūsų kalba nėra kraštutinai pasikeitus.
Šaltiniai: Utka, Andrius, 2018, Lemmatised Wordlist of 1 m. Corpus of Contemporary Lithuanian, CLARIN-LT digital library in the Republic of Lithuania, http://hdl.handle.net/20.500.11821/12.
Taip pat, anksčiau tikrinta:
- Ar tikėtina, kad dažnesnis žodis → bus užimtas? (+ kalbos dalys)
- Ką sužinojau patikrinęs 1,72 milijono 2-4 simbolių domenų?
Pirmą kartą paskelbta LinkedIn — 2025-11-14.