¿Cómo hacer un diccionario de frecuencia de palabras en japonés a partir de Wikipedia o de corpora de novelas?
YuzuLingo · 1 nov 2026
Tomas una lista de palabras clasificadas de un corpus, escribes esas clasificaciones en archivos term_meta_bank de Yomitan con el modo freq, luego comprimes el JSON con un index.json. La lista wikipedia_freq.txt de Kanjium y novels_freq.txt son listas de inicio comunes; otros proyectos de frecuencia abiertos funcionan de la misma manera una vez que controlas la licencia.
Comienza con una lista clasificada
Una lista de frecuencia suele incluir expresión, lectura opcional y una clasificación o puntuación. Las listas basadas en Wikipedia favorecen el vocabulario enciclopédico. Los corpora de novelas favorecen el diálogo y la redacción de ficción. Las lecturas ambiguas a veces llevan notas en la fuente; manten esas banderas cuando mapees filas para que el lector pueda preferir la lectura coincidente.
Mapea filas en bancos term-meta
Los datos de frecuencia de Yomitan pertenecen a term_meta_bank_*.json, no a los bancos de términos del glosario. Cada fila meta almacena la expresión y un objeto de frecuencia o número que el esquema permite para el modo freq. Divide los grandes corpora en archivos de banco numerados de la misma manera que lo hacen los creadores de glosarios. Valida contra el esquema de términos-meta publicado antes de comprimir.
Escribe index.json y empaqueta el zip
index.json necesita un título claro, una revisión y formato 3. Coloca cada archivo JSON en la raíz del archivo y comprime con Deflate. Nombra el diccionario de manera que los usuarios puedan diferenciar las clasificaciones de Wikipedia de las clasificaciones de novelas cuando ambos estén instalados. No mezcles entradas de modo de tono en los mismos bancos a menos que pretendas un paquete meta combinado y entiendas cómo tu lector elige el primer resultado.
Cómo utilizan los lectores la clasificación
Después de una coincidencia en el glosario, el lector busca la expresión en los diccionarios de frecuencia habilitados y muestra la clasificación. Clasificaciones más bajas generalmente significan palabras más comunes, dependiendo de cómo la fuente numeró su lista. La frecuencia nunca reemplaza una definición. Solo responde con qué frecuencia apareció esa forma en el corpus elegido.
Licencia y mantenimiento
Solo redistribuye listas cuya licencia lo permita y reconoce el corpus en el título o descripción del diccionario. Reconstruye cuando actualices el volcado de la fuente. Mantén la frecuencia como su propio zip para que puedas intercambiar Wikipedia por novelas sin tocar JMdict o paquetes de tono.
