Softonic

مستخرج N-gram

خطوة 1 / 2
استخراج N-grams

الـ n-gram تسلسل متصل من n كلمات داخل نص. يحوّل هذا المستخرج نصك إلى أحرف صغيرة، ويقسّمه إلى كلمات عند كل مسافة وعلامة ترقيم، ثم يَعُدّ كل n-gram بالطول الذي تختاره (من 1 إلى 8). النتيجة جدول تكرار بصيغة CSV مرتّب من الأكثر ورودا إلى الأقل: الجدول نفسه الذي تقوم عليه فحوص كثافة الكلمات المفتاحية في SEO، وتنعيم نماذج اللغة، وكشف الانتحال.

كيف تستخرج الـ n-grams

  1. 1

    الصق نصك

    ضع مقالا أو نصا مفرّغا أو وصف منتج. لا حد للطول ضمن المدخلات المعقولة.

  2. 2

    اختر n

    أحاديات (1) أو ثنائيات (2) أو ثلاثيات (3) وحتى 8. طول واحد في كل تشغيل.

  3. 3

    استخرج

    يُحوَّل النص إلى أحرف صغيرة ويُقسَّم إلى كلمات، وتُعامَل علامات الترقيم كفواصل فتُحذف.

  4. 4

    اقرأ جدول التكرار

    يظهر كل n-gram مع عدد وروده، مرتبا حسب التكرار من الأعلى إلى الأدنى.

  5. 5

    انسخ ملف CSV

    المخرجات مفصولة بفواصل (N-gram,Count) وجاهزة للصقها في جدول بيانات.

ما الذي يخبرك به كل طول من n-gram

N الاسم حالة الاستخدام
1 أحادية كثافة الكلمات المفتاحية، رسم خريطة الموضوع
2 ثنائية العبارات (“search intent”، “page speed”)، الاقترانات اللفظية
3 ثلاثية عبارات الذيل الطويل، كشف الخصائص
4+ رباعية فأكثر كشف المحتوى المكرر، إشارات الانتحال

كيف تُقسَّم كلمات نصك هنا

  • كل شيء يُحوَّل إلى أحرف صغيرة، فتقع “The” و“the“ في السطر نفسه.
  • الكلمة هي أي تتابع من الحروف أو الأرقام أو الفاصلة العليا. وكل ما عداها (علامات الترقيم، الرموز، فواصل الأسطر) يُعدّ فاصلا ويُحذف.
  • حدود الجمل غير محفوظة. قد تتكوّن ثنائية من آخر كلمة في جملة وأول كلمة في التالية، فتعامل مع الأزواج العابرة للجمل بحذر. إن كان ذلك مهما لتحليلك، فحلّل جملة أو فقرة في كل مرة.
  • كلمات الوقف تبقى. لا يُرشَّح شيء نيابة عنك؛ احذف تلك الأسطر من ملف CSV لاحقا إذا أردت العبارات الدلالية فقط.
  • العربية تفصل بين كلماتها بمسافات، فالأداة تعمل معها مباشرة. لكن التشكيل (الفتحة والضمة والشدة…) ليس حرفا، فيُعامَل كفاصل ويشطر الكلمة المشكولة إلى أجزاء. جرّد النص من التشكيل قبل لصقه. أما الصينية واليابانية والتايلاندية فتُكتب دون مسافات بين الكلمات، فيصل التتابع كله ككلمة واحدة: قسّمه أولا بأداة تقطيع (مثل jieba أو MeCab أو مقطّع تايلاندي) بحيث تفصل المسافات بين الكلمات، ثم الصق الناتج.

متى تجرّد كلمات الوقف

كلمات الوقف كلمات وظيفية عالية التكرار مثل “the” و“a“ و“of“ و“and“ في الإنجليزية، و“من“ و“في“ و“على“ و“التي“ في العربية. إبقاؤها يضخّم قائمة الثنائيات بمهملات مثل “of the” و“في الموقع“. هذه الأداة تُبقيها، فاحذف تلك الأسطر من التصدير حين تريد عبارات دلالية، وأبقِها حين تدرس الأسلوب أو نسبة النصوص إلى مؤلفيها أو نماذج اللغة حيث تحمل الكلمات الوظيفية إشارة.

حالة استخدام SEO

لمقال يستهدف “nginx config generator”، افحص:

  • ظهور الثنائية والثلاثية المستهدفتين ضمن أعلى 20. إذا كانت “nginx config” في المرتبة 40، فأنت على الأرجح تستخدم المصطلح أقل من اللازم.
  • عدم الحشو. إذا جاءت في المرتبة 1 بفارق هائل، فستُقرأ القطعة كمحتوى مزعج.
  • وجود جيران دلاليين. ثنائيات ذات صلة مثل “server block” و“proxy pass“ و“ssl certificate“ تطمئن محركات البحث إلى أن الموضوع مغطى.

الاستخدام في معالجة اللغات الطبيعية والأوساط الأكاديمية

  • نماذج اللغة تستخدم تكرارات n-gram للتنعيم والتراجع (Kneser-Ney، Good-Turing).
  • دراسات نسبة النصوص إلى مؤلفيها تقارن توزيعات الثلاثيات بين المؤلفين المرشحين.
  • تقييم الترجمة الآلية (BLEU) يقيس تداخل الـ n-grams بين الترجمة المرشحة والترجمة المرجعية.

الأسئلة الشائعة

أي شيء من تغريدة (حيث تكاد الـ n-grams تكون عديمة المعنى) إلى فصل من كتاب. للموثوقية الإحصائية على الثنائيات، 1,000 كلمة فأكثر؛ وللثلاثيات، 10,000 فأكثر. دون ذلك تكون الترتيبات مشوشة.

ليس هنا. يُحوَّل النص دائما إلى أحرف صغيرة قبل العدّ، فتشترك “The” و“the“ (أو “Apple” و“apple“) في سطر واحد بدل أن تنقسما. لا يوجد وضع حساس لحالة الأحرف: إن احتجت إلى تمييز أسماء العلم أو الشفرة البرمجية، فعلّمها في النص قبل لصقه.

هي فواصل بين الكلمات ولا تظهر أبدا داخل n-gram. لكنها لا تقطع نافذة الحساب: تُعدّ آخر كلمة في جملة مع أول كلمة في التالية ثنائية واحدة. إن كنت تحتاج إلى احترام صارم لحدود الجمل، فحلّل الجمل أو الفقرات كلا على حدة.

العربية تعمل مباشرة لأنها تفصل بين كلماتها بمسافات؛ جرّد النص من التشكيل أولا، لأن الحركات تُعامَل كفواصل وتشطر الكلمة. أما الصينية واليابانية والتايلاندية فتُكتب دون مسافات بين الكلمات، فتصل الجملة كلها ككلمة واحدة: مرّرها على أداة تقطيع (jieba أو MeCab أو مقطّع تايلاندي) حتى تفصل المسافات بين الكلمات، ثم الصق الناتج هنا.

الأداة لا تطبّق أي قائمة، فالترشيح يتم بعد التصدير. أشهر قائمة كلمات وقف إنجليزية هي مجموعة NLTK المؤلفة من 179 كلمة، المستخدمة في معظم أدوات SEO. وتأتي Snowball وSpaCy وscikit-learn بقوائم مختلفة قليلا. وللعربية، استخدم قائمة كلمات وقف عربية مخصصة.

أدوات ذات صلة

رمز أقل من أو يساوي

انسخ علامة ≤ ورموز المقارنة الرياضية المرتبطة بها. يشمل ذلك رموز Unicode وكيانات HTML وترميز LaTeX للجداول الحسابية والأوراق البحثية وصفحات الويب.

مولد أسماء النطاقات

ولّد أفكار أسماء نطاقات من كلمة مفتاحية واحدة: بادئات ولواحق وأحرف مكررة ونهايات رقمية عبر ستة نطاقات علوية شائعة.

استخراج الأرقام من النص

استخرج جميع الأرقام من كتلة نصية، بما في ذلك الأعداد الصحيحة والعشرية والقيم الموقعة والعملات، مع إزالة التكرار، وتجهيزها لللصق.

رموز أسهم للنسخ

انسخ أسهم Unicode شائعة بنقرة واحدة: أسهم مستقيمة ومزدوجة وقطرية ومعقوفة ودائرية ومثلثة للمستندات والدردشة والتصميم.

محوّل النص الملائم لعسر القراءة

أعد تنسيق النص الملصق في فقرات قصيرة وأسطر من نحو 72 حرفًا لتسهيل القراءة. انسخ النتيجة إلى أي مستند أو بريد إلكتروني أو محرر.

استخراج أرقام الهواتف من النص

اعثر على كل رقم هاتف في كتلة نصية، سواء بالصيغ الدولية أو المحلية، وانسخ القائمة النظيفة برقم واحد في كل سطر.

الأداة متاحة بلغات أخرى