- Автор flashr от ноября 12, 2009
Провел небольшой эксперимент, имея на руках 4 параметра (visits24, links, comments, commenters), базу из 1000 постов за 3 дня, а также историю ТОПа с 40 постами за сутки, а попытался методом перебора коэффициентов найти наиболее подходящий вектор, на который делается проекция, как было описано в первом посте, чтобы после сортировки всех записей по величине этой проекции, в первых 100 оказывалось максимальное число постов, которые попали в топ, построенный по старому алгоритму.
Результатом стал вектор (10,9,12,12) с результатом в 25 постов из 40. Это прежде всего говорит о том, что в текущем алгоритме есть явная завышенная зависимость от числа различных русскоязычных комментаторов к посту (commenters). Я же для сортировки записей беру вектор с равными весами = (1,1,1,1). Кроме того, стоит отметить два выявленных особенностей
1) В блогах на YaRu - внутренняя ссылка является также комментарием, поэтому важно уменьшать кисло комментариев на число ссылок. Иначе получается завышенное число ярушных блогов с высокими значениями.
2) Нормировка происходит не только в группах по типу блогплатформы, но и по типу блога или сообщества. То есть для блогов и сообществ максимумы значений считаются отдельно.
После того, как записи в текущей куче постов за 3 дня отсортированы применяются фильтры. Их много, я их кратко перечислю по ходу применения:
1) "Нулевой фильтр", чтобы отсеять заведомо ошибочные записи с экстремумом по одному из параметров - оптимальная формула ((visits24>0 AND links>0) OR commenters>0) - это позволяет не отсеять посты с blogs.mail.ru, у которых сейчас неверно считается число комментаторов.
2) "Фильтр тем дня" - отсеиваются посты, которые были написаны на темы дня после публикации тем дня, так как на сегодняшний день там 90% спамерских сообщений. Отмечу лишь, что я допускаю попадание в ТОП не более одного поста на одну тему дня при условии, что на нее ссылались и комментировали раньше появления этой темы дня.
3) "Фильтр статистики" - считается, что нормальный блогер не может попадать в ТОП постоянно. Поэтому вставлены понижающие коэффициенты для записей тех блогеров кто ранее был в ТОПе. Коэффициенты настроены так, что к "вычеркиванию" из рассмотрения приводит 20 постов за 3 дня или 500 ТОПов за год. В первом случае могут возникнуть проблемы у тех, кто имеет самоссылающие трансляции, но этот вопрос надо еще проработать.
4) "Фильтр максимума" - после сортировки из всех постов выбираются 10% с максимальной величиной проекции и для них ищется максимальный разрыв в соседних значениях. Именно он характеризует границу между "перекрученными" и "недокрученными" постами. Именно эта граница является внутренней характеристикой экспертной системы.
5) "Фильтр дублей" - далее берется верхняя часть с перекрученными постами, если таких меньше 2, то берется нижняя часть. У всех постов считается корреляция с постами, которые уже находятся в ТОПе, путем подсчета суммы совпадающих нормированных слов-низкочастотников (от 4 знаков и <5 упоминаний в постах), сумма делится на число слов в посте. Все ссылки в посте считаются отдельными словами. Поэтому ссылка на одинаковую картинку - дает большой вклад. Соответственно чем меньше число, тем больше в посте нового, того, что нет сейчас в ТОПе. Все оставшиеся записи сортируются по возрастанию этого параметра.
6) "Фильтр локального экстремума" - после предыдущей сортировки начинаем выбирать по порядку все записи и смотреть, является ли количество комментариев и ссылок чем-то выдающимся для блогера по сравнению с другими его последними записями или нет. Таким образом, топблогер, получающий каждый день сотни комментариев и ссылок будет фильтроваться. Найдя первую запись с локальным супремумом - помещаем ее в ТОП. Если таких записей не обнаружилось, то есть 2 варианта - в ТОП помещается одна из записей, написанных на тему, дня и удовлетворяющую "фильтру тем дня" либо идет в рассмотрение вторая половина полученная после "Фильтра максимума" из "недокрученных" постов.
Тэги: Blogs