Google、大規模日本語 n-gram データの公開

Googleは、Web から抽出した約200億文（約2550億単語）の日本語データから作成したn-gramデータ(1～7 gram)を公開した。データの配布にあたっては特定非営利活動法人言語資源協会の言語資源流通サービスを利用しており、団体・個人の区別なく利用可能とのこと。

データの中身は、下記のようになっておりかなり膨大な数。またデータ量としては、 gzipで圧縮済みで26GBとなっている。
総単語数: 255,198,240,937 (2550億)
総文数: 20,036,764,367 (200億)
異なり 1-gram 数: 5,130,848
異なり 2-gram 数: 161,026,581
異なり 3-gram 数: 788,964,456
異なり 4-gram 数: 1,415,574,707
異なり 5-gram 数: 1,552,758,000
異なり 6-gram 数: 1,377,565,999
異なり 7-gram 数: 1,140,408,688