Кратко — семантика и устойчивость:
- heavy rain — привычное комбинаторное сочетание: прилагательное heavy в контексте осадков conventionalized для передачи высокой интенсивности/количества осадков в единицу времени. Типовой масштаб: «много воды за короткий промежуток» (интенсивность, плотность осадков).
- strong rain — редкое/ненормативное в англ. сочетание: прилагательное strong чаще маркирует силу/воздействие (wind, current, smell, argument). Для осадков носители английского предпочитают heavy, torrential, pouring; strong воспринимается как семантически менее подходящее и не окультурено как устойчивое сочетание.
- Почему одни прилагательные устойчивы, а другие — нет: сочетание зависит от семантической совместимости (selectional preference), исторической конвенции (лексикализация) и частотной обычности. Если конкретное прилагательное часто употреблялось с данным существительным, сочетание стало фразеологически предпочтительным; если нет — даже симпатичная по смыслу комбинация будет редкой.
Как выявить в корпусе — пошагово и с метриками:
1) Подготовка
- Возьмите корпус (BNC, COCA, Google Books n-grams или свой корпус), выполните POS‑тегging/lemmatization.
- Извлеките биграммы «Adj Noun» (с окном 1, правый/левый порядок в зависимости от языка).
2) Подсчёты (обозначения)
- $f_{12}$ — число вхождений пары (heavy, rain).
- $f_1$ — частота прилагательного (heavy).
- $f_2$ — частота существительного (rain).
- $N$ — общее число токенов/биграмм (как вы считаете).
3) Оценки ассоциации и значимости
- Ожидаемая частота при независимости:
$$E_{12}=\frac{f_1{f}_2}{N}.$$ - Условные вероятности:
$$P(\text{rain}\mid \text{heavy})=\frac{f_{12}}{f_1},P(\text{heavy}\mid \text{rain})=\frac{f_{12}}{f_2}.$$ Эти величины покажут «насколько вероятно, что после heavy идёт rain» и наоборот.
- PMI (подходит для выявления информационно сильных, но редко встречающихся пар; склонен к редким событиям):
$$\mathrm{PMI}={\log }_2\frac{f_{12}N}{f_1{f}_2}.$$
- t-score (устойчивее для высокочастотных пар):
$$t=\frac{f_{12}-E_{12}}{\sqrt{f_{12}}}.$$
- Log-likelihood (G^2) для статистической значимости — строится по таблице 2×2 и вычисляется как
$$G^2=2\sum _{cells}O\log \frac{O}{E},$$ где суммирование по 4 ячейкам (наблюдаемые и ожидаемые частоты).
- LogDice (популярная нормированная мера для коллокаций):
$$\mathrm{LogDice}=14+{\log }_2\frac{2f_{12}}{f_1+f_2}.$$
Комментарий по выбору метрики: PMI выделит редкие, но «неожиданные» пары; t‑score и LLR лучше для устойчивых и частотных сочетаний; LogDice даёт удобный ранжирующий индекс, мало смещённый на редкие вхождения.
4) Практическая проверка различия heavy vs strong
- Посчитайте $f_{12}$ для (heavy, rain) и (strong, rain), а также $f_1,f_2,N$.
- Сравните $P(\text{rain}\mid \text{heavy})$ и $P(\text{rain}\mid \text{strong})$ — если первая существенно выше, heavy сильнее коллокируется с rain.
- Сравните PMI / t / LLR / LogDice — ожидаемо: (heavy, rain) будет иметь высокую t/LLR/LogDice; (strong, rain) — низкие значения, возможно нерелевантные.
- Посмотрите контекстные конкордансы: heavy rain часто в прогностических/описательных контекстах, strong rain либо отсутствует или появляется в нефлюидном/переводном регистре.
5) Дополнительные проверки
- Дисперсия по документам (Juilland's D или нормированная мера): чтобы убедиться, что сочетание не сконцентрировано в одном источнике.
- Проверка коллокаций с другими существительными: strong collocates с wind, current, tea — это покажет семантические поля прилагательного.
- Векторные модели (word2vec/fastText): можно смотреть ближайших соседей для heavy и strong и типичные сочетания (средние контекстные вектора для «_ rain»).
Интерпретация результатов
- Если у (heavy, rain) высокая частота, высокая t/LLR и высокое $P(\text{rain}\mid \text{heavy})$ — сочетание устойчиво и конвенционализовано.
- Если у (strong, rain) низкие значения — сочетание либо неприемлемо для носителей, либо редкое/стилестически отмеченное (переводная конструкция, жаргон и т. п.).
Резюме рекомендаций
- Для практического обнаружения устойчивых сочетаний: извлечь adj–noun биграммы, посчитать $f_{12},f_1,f_2,N$, вычислить $E_{12}$, затем t‑score/LLR/LogDice + условные вероятности + конкордансы.
- Интерпретировать с учётом семантики (совместимость смысла), истории употребления и регистра.