新c车牌号怎么查询？网上办理可行吗？，

6 个月写了近万个 “the”！一位 CTO 表示：搞个项目，再也不写 “the” 了

几年前，我注意到我发的很多 Slack 消息都是重复的，包括一些我常使用的短语以及发布任务或提问的第一句。所以我有时候就在想：既然我接下来要写的这句话很显而易见，那我为什么还要写呢？

于是我的第一步，就是要弄清楚我发的消息到底有多可预测、熵有多低。作为 CTO 的特权，我导出了过去 6 个月公司公共频道 Slack 历史消息的数据转储，并编写了一个脚本，将我自己的消息解析为文本语料库。

然后，我就有了 1.5 万行的文字可供分析！（注：Slack 数据导出只包含公共频道，所以我只提取了自己的消息内容，没有看到任何私人信息。）

查找重复出现的短语

消息导出来过后，下一步就是找到经常重复的短语。我将语料库分成不同长度的 N-gram，然后计算每个 N-gram 在其中出现的次数。可能大多数人都会选择一个特定的“N”来表示他们的 N-gram，但我只想找到重复短语，所以我用的是 N=1-5，并将其组合起来。

结果真让我找到了最常用的短语！不出所料，排在榜首的大多是 1-grams 短语，其中“the”占据榜首，共出现了 9933 次，最常见的 2-gram 短语是“in the”，出现了 755 次。

但我们的目标是缩短文字！想要缩短输入“i”的时间，我能做的可能并不多。我需要根据每个 N-gram 的长度对其进行加权，这样我就知道总共可以节省多少个字符。

有趣的是，即使缩写只能节省一个字符，“the”仍然高居榜首！其中还有一些较长的短语，如“the robot”和“something”，虽然它们出现的频率较低，但由于缩写后可以节省很多字符，因此权重很高！

选择缩写词

好了，现在我知道要缩写哪些短语了，那么究竟应该用什么来替换它们呢？我的缩写需要：

1、不会与我写的其他内容冲突。
2、不会相互重叠。
3、便于记忆。
4、尽可能简短。

对于第 1 点，我觉得我可以直接查字典，把所有英语单词都列入黑名单。这对预防很有效，但事实证明，我输入的很多东西都不是正式的英语单词，比如 “yc”（又名 Y-Combinator）。另一方面，“bat”也是一个英文单词，但在我近 6 个月的数据集中，我输入这个词的次数为零，但它是“be able to”（能够）的缩写，这也是我经常输入的短语之一。

正确的方法应该是，使用语料库中的频率来分类给定的缩写是否“可用”。一开始，我用了一个简单的硬编码术语黑名单来避免使用缩写，效果很好，所以我一直没有重新考虑过这个问题。

那么，我怎样才能让我的缩写容易记住呢？如果我在写作时不记得使用缩写，那么整个项目就没有任何价值。于是我写了一个启发式函数，建议使用如“单词的第一个字母”或“第一个字母+最后一个字母”或“前两个字母”等缩写。对于多词短语，首字母缩写是最好的。

脚本会从最佳短语列表中选择最佳缩写。举个例子，由于单词“robot”在列表中的位置比“remember”高，所以将其设置为快捷键并选择。

这样一来，最常用的短语就能优先得到最好的缩写！如果能对我想要的缩写进行全局优化，效果可能会更好，但就目前而言，现在这样就已经挺好的了。

缩写词“重叠”

不过说起缩写词，你可能会发现很多短语都有重叠之处！最典型的例子就是 “robot”、“robots”、“the robot” 和 “the robots”，理想情况下这些短语的缩写应该密切相关，这样才能帮助我记住它们。

通过将多词短语的首选项设置为首字母缩写，我的建议算法免费提供了大量这种“可组合性”。因为单词短语的首选是第一个字母，所以这些短语就会合成一个缩写词！

不过，这并不是完美无缺的，所以我们也会尝试按照首字母缩写规则进行映射，而且有一些相关的缩写实际上都是单词，例如 the robotstr 。

我本可以选择深入研究如何设计算法，通过匹配子串和明确区分单复数词来完美地构建这些语系，但我只是增加了手动输入一些预设缩写的功能，然后由算法来完成剩下的工作。

那么…你真的会用这个吗？

是的！它超级有用，尤其是在 Slack 中，毕竟它所有的“训练数据”都来自于 Slack。

不仅如此，它对电子邮件也很有用，不过我还是手动添加了很多快捷方式，因为我的电子邮件与我在 Slack 中使用的语言风格有很大不同。我在 Gmail 中的快捷键比我的 Slack 快捷键更符合我对长句的最初预期。我不确定这是否只是因为我手动创建了这些快捷方式，但我在电子邮件中确实比在 Slack 中写得更啰嗦、更有“礼貌”。