你根本就没明白我意思。
是需要用词频将伪“词组”打压平衡，但不是个体用户词频。
在早期，通过赋予真正的、经过历史确认的（主要体现在收录到词典中）词组比较高的权重，比如10万，乘以在相关资料中出现的次数（常用的可能几万几十万，比较偏的可能只有几个），那么就会大量的真正词组超过那个出现了166万次的“大自”。
而且可以通过不同材料组赋予不同权重，进一步降低不常用词组的词频得分，比如口语篇10万，古代文学10，那么一个现代词组比如“打字”它的词频得分就会大大超过“达子”。
这是我刚安装的搜狗拼音输入法，里面没有那个机器分词出现166万的“大自”，反而是出现了个“沓子”。用词典搜了下：
出现在三个词典中。
人家搜狗不仅可以利用现成的资料库，还可以统计用户输入的资料库，这个量是很大的。它这样学习出来的效果，肯定要比纯机器分词、机器学习强。论机器深度学习，个体永远比不上大公司，他们的资料库太大了，是个体的万倍以上。百度有爬取全网的中文，搜狗有全国多数用户的输入数据，搞网盘的百度、阿里有大量的照片视频，做网购的淘宝京东PDD有大量的购买事例……有这么多数据在，才有机器学习的准确性。
现阶段，最好的追赶方式，是利用前人的智慧，这么多专家学者给挑选出的词典资源不去利用，太亏了。
而且，我见过一位大神打包rime输入法时，还特意把词频过低的给删除了。
词频FW=词权重WW1×（语料组权重TW1×在该语料组出现的次数N1+TW2N2+……）
词权重WW=词典权重DW1100000+DW2*10000+……
简繁权重：
对简体用户，简体资料与繁体资料权重比0.6:0.4
对繁体用户，简体资料与繁体资料权重比0.4:0.6