la recherche d'une base de données de n-grammes prélevés wikipedia

Question

Je suis en train efficace pour résoudre le même problème que cette question:

Finding related words (specifically physical objects) to a specific word

moins l'exigence que les mots représentent des objets physiques. Les réponses et la question éditée semblent indiquer qu'un bon début est la construction d'une liste de fréquence de n-grammes utilisant le texte de wikipedia comme corpus. Avant de commencer à télécharger le fichier mammoth wikipedia, quelqu'un sait-il si une telle liste existe déjà?

PS si l'affiche originale de la question précédente voit, j'aimerais savoir comment vous avez résolu le problème, que vos résultats semblent excellents :-)

Answer 1

Google as a publicly available base de données téraoctet n-garam (jusqu'à 5).
Vous pouvez commander 6 DVDs ou trouver un torrent qui l'héberge.