Tahukah Anda bahwa beberapa huruf alfabet ditemukan dalam kata-kata lebih sering daripada yang lain ... Selain itu, frekuensi vokal dalam bahasa lebih tinggi daripada konsonan.

Apa huruf alfabet Rusia yang paling umum atau paling tidak umum dalam kata-kata yang digunakan untuk menulis teks?

Statistik terlibat dalam identifikasi dan studi pola umum. Dengan bantuan arahan ilmiah ini, seseorang dapat menjawab pertanyaan di atas dengan menghitung jumlah setiap huruf alfabet Rusia, kata-kata yang digunakan, memilih kutipan dari karya berbagai penulis. Demi kepentingan mereka sendiri dan demi kebosanan, semua orang bisa melakukannya sendiri. Saya akan mengacu pada statistik dari studi yang sudah dilakukan ...

Alfabet Rusia adalah Cyrillic. Selama keberadaannya, ia telah melalui beberapa reformasi, yang menghasilkan pembentukan sistem alfabet Rusia modern, yang mencakup 33 huruf.

o - 9,28%
a — 8,66%
e - 8,10%
dan - 7,45%
n - 6,35%
t - 6,30%
p - 5,53%
c - 5,45%
l - 4,32%
c — 4,19%
k - 3,47%
n - 3,35%
m - 3,29%
y - 2,90%
e - 2,56%
saya - 2,22%
s — 2,11%
b - 1,90%
j - 1,81%
b - 1,51%
d - 1,41%
th - 1,31%
j - 1,27%
kamu - 1,03%
x - 0,92%
g - 0,78%
w - 0,77%
c - 0,52%
u - 0,49%
f - 0,40%
e - 0,17%
b — 0,04%

Huruf Rusia dengan frekuensi tertinggi yang digunakan adalah vokal " HAI', seperti yang disarankan dengan benar di sini. Ada juga contoh karakteristik, seperti " KEMAMPUAN PERTAHANAN"(7 buah dalam satu kata dan tidak ada yang eksotis atau mengejutkan; sangat akrab dengan bahasa Rusia). Popularitas tinggi huruf "O" sebagian besar disebabkan oleh fenomena tata bahasa seperti vokal penuh. Artinya, "dingin" bukannya "dingin" dan "beku" bukannya "sampah".

Dan di awal kata, huruf konsonan “ P". Kepemimpinan ini juga percaya diri dan tanpa syarat. Kemungkinan besar, penjelasannya memberikan sejumlah besar awalan dengan huruf "P": re-, pre-, pre-, pre-, pro- dan lainnya.

Frekuensi huruf adalah dasar dari kriptanalisis.

Saya ingin memperingatkan Anda bahwa informasi yang disajikan dalam artikel ini agak ketinggalan jaman. Saya tidak menulis ulang agar nanti saya bisa membandingkan bagaimana standar SEO berubah dari waktu ke waktu. Anda dapat menemukan informasi terkini tentang topik ini dalam materi baru:

Halo, para pembaca situs blog yang terhormat. Artikel hari ini akan kembali dikhususkan untuk topik seperti optimisasi mesin pencari (). Sebelumnya, kami telah menyentuh banyak masalah yang terkait dengan konsep seperti.

Hari ini saya ingin melanjutkan berbicara tentang SEO on-page, sambil mengklarifikasi beberapa poin yang disebutkan sebelumnya, serta berbicara tentang apa yang belum kita bahas. Jika Anda dapat menulis teks unik yang bagus, tetapi pada saat yang sama tidak memperhatikan persepsi mereka oleh mesin pencari, maka mereka tidak akan dapat mencapai puncak hasil pencarian untuk kueri yang terkait dengan topik artikel Anda yang luar biasa.

Apa yang memengaruhi relevansi teks dengan kueri penelusuran

Dan ini sangat menyedihkan, karena dengan cara ini Anda tidak menyadari potensi penuh dari proyek Anda, yang bisa sangat mengesankan. Anda perlu memahami bahwa mesin pencari sebagian besar adalah program bodoh dan langsung yang tidak dapat melampaui kemampuan mereka dan melihat proyek Anda dengan mata manusia.

Mereka tidak akan melihat banyak hal yang baik dan perlu pada proyek Anda (apa yang telah Anda siapkan untuk pengunjung). Mereka hanya dapat menganalisis teks, dengan mempertimbangkan banyak komponen, tetapi mereka masih sangat jauh dari persepsi manusia.

Oleh karena itu, kita perlu masuk ke posisi robot pencari setidaknya untuk sementara waktu dan memahami apa yang mereka fokuskan ketika memberi peringkat pada berbagai teks untuk berbagai permintaan pencarian (). Dan untuk ini Anda perlu memiliki ide, untuk ini Anda perlu membaca artikel.

Biasanya mereka mencoba menggunakan kata kunci di judul halaman, di beberapa heading internal, serta secara merata dan sealami mungkin untuk mendistribusikannya ke seluruh artikel. Ya, tentu saja, tombol penyorotan dalam teks juga dapat digunakan, tetapi jangan lupa tentang optimasi ulang yang mungkin menyusul.

Kepadatan kemunculan kunci dalam teks juga penting, tetapi sekarang ini bukan faktor yang diinginkan, tetapi, sebaliknya, peringatan - Anda tidak bisa berlebihan.

Nilai kepadatan kemunculan kata kunci dalam dokumen ditentukan dengan cukup sederhana. Faktanya, ini adalah frekuensi penggunaannya dalam teks, yang ditentukan dengan membagi jumlah kemunculannya dalam dokumen dengan panjang dokumen dalam kata-kata. Sebelumnya, posisi situs dalam masalah ini secara langsung bergantung pada ini.

Tetapi Anda mungkin mengerti bahwa tidak mungkin untuk membuat semua materi hanya dari kunci, karena itu tidak akan dapat dibaca, tetapi syukurlah ini tidak perlu. Mengapa kamu bertanya? Ya, karena ada batasan frekuensi penggunaan kata kunci dalam teks, setelah itu relevansi dokumen untuk kueri yang mengandung kata kunci ini tidak akan meningkat lagi.

Itu. itu akan cukup bagi kami untuk mencapai frekuensi tertentu dan kami, dengan demikian, mengoptimalkannya sebanyak mungkin. Atau kita berlebihan dan jatuh di bawah filter.

Tetap menyelesaikan dua pertanyaan (dan mungkin tiga): berapa kepadatan maksimum kemunculan kata kunci, setelah itu sudah berbahaya untuk meningkatkannya, serta mencari tahu.

Faktanya adalah bahwa kata kunci yang disorot dengan tag aksen dan diapit tag TITLE memiliki bobot lebih untuk pencarian daripada kata kunci serupa yang hanya muncul di teks. Tetapi akhir-akhir ini webmaster mulai menggunakan ini dan sepenuhnya mengirim spam ke faktor ini, dan oleh karena itu pentingnya telah menurun dan bahkan dapat menyebabkan larangan seluruh situs karena penyalahgunaan kekuatan.

Tetapi kunci dalam TITLE masih relevan, lebih baik tidak mengulanginya di sana dan tidak mencoba terlalu memaksakannya ke dalam satu judul halaman. Jika kata kunci ada di TITLE, maka kami dapat secara signifikan mengurangi jumlahnya di artikel (dan karenanya membuatnya mudah dibaca dan lebih cocok untuk orang, dan bukan untuk mesin pencari), setelah mencapai relevansi yang sama, tetapi tanpa risiko jatuh di bawah saringan.

Saya pikir semuanya jelas dengan pertanyaan ini - semakin banyak kunci yang diapit dengan aksen dan tag TITLE, semakin besar peluang untuk kehilangan semuanya sekaligus. Tetapi jika Anda tidak menggunakannya sama sekali, maka Anda juga tidak akan mencapai apa pun. Kriteria yang paling penting adalah kewajaran pengenalan kata kunci dalam teks. Jika ya, tetapi pembaca tidak tersandung tentangnya, maka secara umum semuanya baik-baik saja.

Sekarang tinggal mencari tahu frekuensi penggunaan kata kunci dalam dokumen yang optimal, yang memungkinkan Anda membuat halaman serelevan mungkin tanpa menimbulkan sanksi. Pertama-tama mari kita ingat rumus yang sebagian besar (mungkin semua) mesin pencari gunakan untuk menentukan peringkat.

Cara menentukan frekuensi penggunaan kunci yang dapat diterima

Kami telah berbicara tentang model matematika sebelumnya dalam artikel yang disebutkan di atas. Esensinya untuk kueri penelusuran khusus ini dinyatakan oleh satu rumus yang disederhanakan: TF*IDF. Di mana TF adalah frekuensi langsung kemunculan kueri ini dalam teks dokumen (frekuensi kemunculan kata di dalamnya).

IDF - frekuensi terbalik (kelangkaan) dari kueri ini di semua dokumen Internet lainnya yang diindeks oleh mesin pencari ini (dalam koleksi).

Rumus ini memungkinkan Anda menentukan korespondensi (relevansi) dokumen dengan kueri penelusuran. Semakin tinggi nilai produk TF*IDF, dokumen ini akan semakin relevan dan semakin tinggi, semua hal lain dianggap sama.

Itu. ternyata bobot dokumen untuk kueri yang diberikan (korespondensinya) akan semakin besar, semakin sering kunci dari kueri ini digunakan dalam teks, dan semakin jarang kunci ini ditemukan di dokumen Internet lainnya.

Jelas bahwa kami tidak dapat memengaruhi IDF, kecuali dengan memilih kueri lain yang akan kami optimalkan. Tetapi kami dapat dan akan mempengaruhi TF, karena kami ingin mengambil bagian kami (dan tidak sedikit) lalu lintas dari Yandex dan hasil pencarian Google pada pertanyaan pengguna yang kami butuhkan.

Tetapi kenyataannya adalah bahwa algoritma pencarian menghitung nilai TF sesuai dengan formula yang agak rumit, yang memperhitungkan pertumbuhan frekuensi penggunaan kata kunci dalam teks hanya hingga batas tertentu, setelah itu pertumbuhan TF praktis berhenti, meskipun fakta bahwa Anda akan meningkatkan frekuensi. Ini adalah semacam filter anti-spam.

Beberapa waktu yang lalu (sampai sekitar tahun 2005), nilai TF dihitung menggunakan rumus yang cukup sederhana dan sebenarnya sama dengan kepadatan kemunculan kata kunci. Hasil penghitungan relevansi dengan menggunakan rumus ini ternyata tidak begitu disukai oleh mesin pencari, karena menjadi pandit bagi para spammer.

Kemudian rumus TF menjadi lebih rumit, seperti muncul halaman mual dan mulai tidak hanya bergantung pada frekuensi kemunculan, tetapi juga pada frekuensi penggunaan kata lain dalam teks yang sama. Dan nilai TF yang optimal dapat dicapai jika kuncinya ternyata adalah kata yang paling sering digunakan.

Dimungkinkan juga untuk meningkatkan nilai TF dengan meningkatkan ukuran teks sambil mempertahankan persentase kemunculan. Semakin besar handuk dengan artikel dengan persentase kunci yang sama, semakin tinggi dokumen ini.

Sekarang rumus TF menjadi lebih rumit, tetapi pada saat yang sama, sekarang kita tidak perlu membawa densitas ke titik di mana teks menjadi tidak terbaca dan mesin pencari akan memaksakan larangan proyek kami untuk spam. Dan sekarang tidak perlu menulis lembaran panjang yang tidak proporsional.

Sambil mempertahankan kepadatan ideal yang sama (kami akan mendefinisikannya sedikit lebih rendah dari grafik yang sesuai), meningkatkan ukuran kata dari sebuah artikel hanya akan meningkatkan posisinya di SERP hingga mencapai panjang tertentu. Setelah Anda memiliki panjang yang ideal, meningkatkannya lebih jauh tidak akan memengaruhi relevansi (lebih tepatnya, itu akan, tetapi sangat, sangat sedikit).

Semua ini dapat dilihat dengan jelas jika Anda membuat grafik berdasarkan TF (frekuensi entri langsung) yang rumit ini. Jika pada satu skala grafik ini ada TF, dan pada skala lain - persentase frekuensi kemunculan kata kunci dalam teks, maka kita akan mendapatkan apa yang disebut hiperbola sebagai hasilnya:

Jadwalnya tentu saja perkiraan, karena hanya sedikit orang yang tahu rumus TF asli yang digunakan oleh Yandex atau Google. Tapi secara kualitatif bisa ditentukan jangkauan optimal di mana frekuensi seharusnya. Ini sekitar 2-3 persen dari total jumlah kata.

Jika Anda memperhitungkan bahwa Anda masih akan menyertakan beberapa kunci dalam tag aksen dan header TITLE, maka ini akan menjadi batasnya, setelah itu peningkatan lebih lanjut dalam kepadatan mungkin penuh dengan larangan. Tidak lagi menguntungkan untuk menjenuhkan dan menodai teks dengan banyak kata kunci, karena akan ada lebih banyak minus daripada plus.

Berapa panjang teks yang cukup untuk promosi?

Berdasarkan asumsi TF yang sama, seseorang dapat memplot nilainya terhadap panjang kata. Dalam hal ini, Anda dapat mengambil frekuensi kata kunci yang konstan untuk setiap panjang dan sama, misalnya, ke nilai apa pun dari rentang optimal (dari 2 hingga 3 persen).

Hebatnya, kita akan mendapatkan grafik yang bentuknya persis sama dengan yang dibahas di atas, hanya panjang teks dalam ribuan kata yang akan disesuaikan sepanjang absisnya. Dan dari situ akan mungkin untuk menarik kesimpulan tentang rentang panjang optimal, di mana hampir nilai maksimum TF sudah tercapai.

Alhasil, ternyata terletak pada kisaran 1000 hingga 2000 kata. Dengan peningkatan lebih lanjut, relevansi praktis tidak akan tumbuh, dan dengan panjang yang lebih pendek, itu akan turun agak tajam.

Itu. kami dapat menyimpulkan bahwa agar artikel Anda menempati posisi tinggi dalam hasil pencarian, Anda perlu menggunakan kata kunci dalam teks dengan frekuensi minimal 2-3%. Ini adalah kesimpulan pertama dan utama yang kami buat. Nah, yang kedua adalah sekarang sama sekali tidak perlu menulis artikel yang sangat banyak untuk masuk ke Top.

Ini akan cukup untuk melampaui tonggak 1000 - 2000 kata dan memasukkan 2-3% kata kunci di dalamnya. Itu dia - itu dia resep untuk teks yang sempurna, yang akan dapat bersaing untuk mendapatkan tempat teratas untuk kueri frekuensi rendah, bahkan tanpa menggunakan pengoptimalan eksternal (membeli tautan ke artikel ini dengan jangkar yang menyertakan kata kunci). Meskipun, untuk mencari-cari sedikit Miralink , GGL, Rotapost atau GetGoodLink baik-baik saja karena akan membantu proyek Anda.

Biarkan saya mengingatkan Anda sekali lagi bahwa panjang teks yang Anda tulis, serta frekuensi penggunaan kata kunci tertentu di dalamnya, Anda dapat mengetahuinya dengan bantuan program khusus atau dengan bantuan layanan online yang mengkhususkan diri dalam analisis mereka. Salah satu layanan tersebut adalah ISTIO, tentang pekerjaan yang saya bicarakan.

Semua yang saya katakan di atas tidak seratus persen dapat diandalkan, tetapi sangat mirip dengan kebenaran. Bagaimanapun, pengalaman pribadi saya menegaskan teori ini. Tetapi algoritme Yandex dan Google terus mengalami perubahan, dan hanya sedikit orang yang tahu bagaimana jadinya besok, kecuali mereka yang dekat dengan pengembangan atau pengembang mereka.

Semoga sukses untuk Anda! Sampai jumpa di situs halaman blog

Anda mungkin tertarik

Pengoptimalan internal - pemilihan kata kunci, pemeriksaan mual, Judul optimal, duplikasi konten, dan tautan ulang di bawah frekuensi rendah
Kata kunci dalam teks dan judul
Bagaimana kata kunci memengaruhi promosi situs web di mesin pencari
Layanan online untuk webmaster - semua yang Anda butuhkan untuk menulis artikel, optimisasi mesin telusur, dan menganalisis keberhasilannya
Cara mengoptimalkan konten dan mempertimbangkan tema situs selama promosi tautan untuk meminimalkan biaya
Yandex Wordstat dan inti semantik - pemilihan kata kunci untuk situs menggunakan statistik dari layanan online Wordstat.Yandex.ru
Jangkar - apa itu dan seberapa penting mereka dalam promosi situs web
Faktor pengoptimalan mesin pencari apa yang memengaruhi promosi situs web dan sejauh mana?
Promosi, promosi, dan optimalisasi situs secara mandiri
Akuntansi untuk morfologi bahasa dan masalah lain yang diselesaikan oleh mesin pencari, serta perbedaan antara kueri HF, MF, dan LF
Kepercayaan situs web - apa itu, bagaimana mengukurnya di XTools, apa yang memengaruhinya dan bagaimana meningkatkan otoritas situs Anda

Pernyataan singkat dari masalah

Ada satu set file dengan teks dalam bahasa Rusia dari fiksi genre yang berbeda hingga laporan berita. Penting untuk mengumpulkan statistik tentang penggunaan preposisi dengan bagian lain dari pidato.

Poin penting dalam tugas

1. Di antara dalih tidak hanya ada pada dan ke, tetapi kombinasi kata yang stabil digunakan sebagai preposisi, misalnya dibandingkan dengan atau meskipun. Oleh karena itu, tidak mungkin untuk hanya menghancurkan teks dengan spasi.

2. Ada banyak teks, beberapa GB, jadi pemrosesan harus cukup cepat, setidaknya dalam beberapa jam.

Garis besar solusi dan hasil

Mempertimbangkan pengalaman yang ada dalam memecahkan masalah dengan pemrosesan teks, diputuskan untuk tetap pada "unix-way" yang dimodifikasi, yaitu membagi pemrosesan menjadi beberapa tahap, sehingga pada setiap tahap hasilnya akan menjadi teks biasa. Berbeda dengan cara unix murni, alih-alih mentransfer bahan mentah teks melalui pipa, kami akan menyimpan semuanya sebagai file disk. Untungnya, biaya gigabyte pada hard drive sekarang sedikit.

Setiap tahap diimplementasikan sebagai utilitas terpisah, kecil dan sederhana yang membaca file teks dan menyimpan produk dari masa pakai silikonnya.

Bonus tambahan dari pendekatan ini, selain kesederhanaan utilitas, terletak pada sifat inkremental dari solusi - Anda dapat men-debug tahap pertama, menjalankan semua gigabyte teks melaluinya, kemudian mulai men-debug tahap kedua, tanpa membuang waktu waktu untuk mengulang yang pertama.

Memecah teks menjadi kata-kata

Karena teks sumber yang akan diproses sudah disimpan sebagai file datar dalam pengkodean utf-8, kami melewati tahap nol - menguraikan dokumen, mengekstrak konten teks darinya dan menyimpannya sebagai file teks sederhana, segera melanjutkan ke tugas tokenisasi.

Semuanya akan sederhana dan membosankan jika bukan karena fakta sederhana bahwa beberapa preposisi dalam bahasa Rusia terdiri dari beberapa "garis" yang dipisahkan oleh spasi, dan terkadang koma. Agar tidak memecah preposisi verbose seperti itu, pertama-tama saya menyertakan fungsi tokenisasi dalam kamus API. Tata letak dalam C # ternyata sederhana dan tidak rumit, secara harfiah seratus baris. Berikut adalah sumbernya. Jika kita membuang bagian pengantar, memuat kamus dan bagian terakhir dengan penghapusannya, maka semuanya menjadi beberapa lusin baris.

Semua ini berhasil menggiling file, tetapi pengujian menunjukkan kelemahan yang signifikan - kecepatan yang sangat rendah. Pada platform x64, ternyata sekitar 0,5 MB per menit. Tentu saja, tokenizer memperhitungkan semua jenis kasus khusus seperti " SEBAGAI. Pushkin", tetapi untuk solusi masalah awal, akurasi seperti itu tidak diperlukan.

Sebagai panduan untuk kemungkinan kecepatan, ada utilitas pemrosesan file statistik Empirika. Itu melakukan pemrosesan frekuensi 22 GB teks dalam waktu sekitar 2 jam. Ada solusi yang lebih cerdas untuk masalah preposisi verbose di dalamnya, jadi saya telah menambahkan skrip baru yang diaktifkan oleh opsi -tokenize pada baris perintah. Menurut hasil lari, ternyata sekitar 500 detik per 900 MB, yaitu sekitar 1,6 MB per detik.

Hasil dari bekerja dengan 900 MB teks ini adalah file dengan ukuran yang hampir sama, 900 MB. Setiap kata disimpan pada baris terpisah.

Frekuensi penggunaan kata depan

Karena saya tidak ingin memasukkan daftar preposisi ke dalam teks program, saya kembali mengambil kamus tata bahasa untuk proyek C #, menggunakan fungsi sol_ListEntries Saya mendapatkan daftar preposisi lengkap, sekitar 140 buah, dan kemudian semuanya remeh. Teks program dalam C#. Ini hanya mengumpulkan pasangan preposisi + kata, tetapi tidak akan menjadi masalah untuk berkembang.

Pemrosesan file teks 1 GB dengan kata-kata hanya membutuhkan waktu beberapa menit, menghasilkan tabel frekuensi, yang kami unggah kembali ke disk sebagai file teks. Preposisi, kata kedua dan jumlah kemunculan dipisahkan di dalamnya oleh karakter tab:

PRO RUSAK 3
PRO Mencetak 1
FORMULIR PRO 1
PRO NORM1
PRO HONGRY 1
DI HUKUM 9
DARI TERAS 1
MESKIPUN PITA 1
LEBIH LAKI 14

Total, dari 900 MB teks awal, diperoleh sekitar 600 ribu pasang.

Analisis dan lihat hasilnya

Lebih mudah untuk menganalisis tabel dengan hasil di Excel atau Access. Dengan paksaan kebiasaan ke SQL saya memuat data di Access.

Hal pertama yang harus dilakukan adalah mengurutkan hasil dalam urutan frekuensi untuk melihat pasangan yang paling sering. Jumlah awal teks yang diproses terlalu kecil, sehingga sampelnya tidak terlalu representatif dan mungkin berbeda dari hasil akhir, tetapi inilah sepuluh besar:

KAMI PUNYA 29193
DALAM VOLUME 26070
saya punya 25843
TENTANG VOLUME 24410
DIA memiliki 22768
DI 22502 INI
DI WILAYAH 20749
SELAMA 20545
TENTANGNYA 18761
Dengan NIM 18411

Sekarang Anda dapat membuat grafik sehingga frekuensi berada pada sumbu OY, dan polanya berbaris di sepanjang OX dalam urutan menurun. Ini akan memberikan distribusi yang diharapkan dengan ekor panjang:

Mengapa statistik ini diperlukan?

Selain fakta bahwa dua utilitas C# dapat digunakan untuk mendemonstrasikan cara bekerja dengan API prosedural, ada tujuan penting lainnya - untuk memberikan bahan baku statistik kepada penerjemah dan algoritme rekonstruksi teks. Selain pasangan kata, trigram juga akan diperlukan, untuk ini perlu sedikit memperluas utilitas kedua yang disebutkan.

- - Topik perlindungan informasi EN frekuensi penggunaan kata ... Buku Pegangan Penerjemah Teknis

s; frekuensi; dengan baik. 1. hingga Sering (1 digit). Pantau frekuensi pengulangan gerakan. Jam yang diperlukan untuk menanam kentang. Perhatikan denyut nadi. 2. Jumlah pengulangan gerakan yang sama, fluktuasi apa l. satuan waktu. H. putaran roda. k... kamus ensiklopedis

I Alkoholisme adalah penyakit kronis yang ditandai dengan kombinasi gangguan mental dan somatik akibat penyalahgunaan alkohol secara sistematis. Manifestasi terpenting dari A. x. diubah daya tahannya menjadi ... ... Ensiklopedia Kedokteran

MENANGKAP- salah satu istilah khusus yang digunakan dalam catatan kait di Rus. polifoni non-linear, dicirikan oleh gudang polifonik sub-suara yang dikembangkan dan disonansi vertikal yang tajam. Pevch. implementasi istilah di masa sekarang. waktunya tidak diketahui... Ensiklopedia Ortodoks

Metode stilostatistik analisis teks- adalah penggunaan alat statistik matematika di bidang stilistika untuk menentukan jenis fungsi bahasa dalam pidato, pola fungsi bahasa di berbagai bidang komunikasi, jenis teks, kekhususan fungsi. gaya dan...

Porsi rasa snus, porsi mini Snus adalah jenis produk tembakau. Ini adalah tembakau basah yang dihancurkan, yang ditempatkan di antara bibir atas (lebih jarang bawah) dan gusi ... Wikipedia

gaya ilmiah- mewakili ilmiah bidang komunikasi dan kegiatan wicara yang terkait dengan penerapan ilmu pengetahuan sebagai bentuk kesadaran sosial; mencerminkan pemikiran teoretis, bertindak dalam bentuk logis konseptual, yang dicirikan oleh objektivitas dan abstraksi ... Kamus ensiklopedis gaya bahasa Rusia

- (dalam literatur khusus juga patronimik) bagian dari nama generik, yang diberikan kepada anak dengan nama ayahnya. Variasi nama patronimik dapat menghubungkan pembawa mereka dengan leluhur yang lebih jauh, kakek, kakek buyut ... ... Wikipedia

Penggunaan umum, penerapan, prevalensi, penerapan, daya jual, Kamus sinonim Rusia yang diterima secara umum. kesamaan kata benda, jumlah sinonim: 10 kesamaan (11) ... Kamus sinonim

pemikiran- - jenis pidato semantik fungsional (lihat) - (FSTR), sesuai dengan bentuk pemikiran abstrak - kesimpulan, melakukan tugas komunikatif khusus - untuk memberikan pidato karakter yang masuk akal (datang dengan cara yang logis untuk penilaian baru atau .. ... ... Kamus ensiklopedis gaya bahasa Rusia