pro-maker: Р = вИЦ * (число_найденных_ключевиков) * sqrt(ln(вес_ключевика)) / sqrt(число_вхождений_самого_частого_слова или 7, если число_вхождений_самого_частого_слова меньше 7)
Виталий, я бы для строгости ввел бы еще коэффициентик:
Р = К * вИЦ * (число_найденных_ключевиков) * sqrt(ln(вес_ключевика)) / sqrt(max(число_вхождений_самого_частого_слова, 7))
И самое интересное - природа этого коэффициентика. Боюсь, что это ни фига не константа.
pro-maker: Это подходит для однословника, если тройка и что-то не проходит кворум, запрос "слово1 слово2 слово3", а находится только "слово1 сслов2"? Поэтому и "найденных пассажей". Тоже самое и с весом пассажа, в том смысле, что вычисляется как-то по всем терминам, но в формулу релевантности в итоге входит как множитель.
Для многословников тоже подходит с оговоркой, что речь идет о словах, вошедших в пассажи, прошедшие кворум. И вес пассажа - явно недостаточное определение. Ибо разные слова в пассаже будут иметь разный вес, т.к. у них, к примеру, разные IDF.
pro-maker: В-третьих, что еще важней, наконец-то, сегодня Хрнс признал, что возможно применение нескольких подходов к расчету релевантности.
Не удивлюсь, если с разнообразием тестовых примеров количество подходов существенно возрастет. :)
pro-maker: Какие конкретные составляющие используются трудно предположить потому, что тот, кто пытался повторить расчеты, знают какой набор неопределенности возникает, когда начинаешь копаться и как хочется бывает надрать одно место этому Хренычу.
Виталий, и Вам тоже жалко бесцельно потраченного времени? ;)
ХренРедькиНеСлаще: Но просьба в той теме не писать о двусловниках!
Пишите здесь.
А что писать? Двухсловники попадали явно не из-за контентной составляющей ;)
ХренРедькиНеСлаще: Естественно, что такое же подозрение падает и на ссылочное, так как это тоже фактор ранжирования и фактор ранжирования КОНТЕНТА ссылок.
Контент ссылок строится несколько по другим принципам, чем текст. И низкое наличие в ссылочном контенте стоп-слов - вполне нормальное явление, в отличие от естественного текста.
Р = вИЦ * (число_найденных_ключевиков) * sqrt(ln(вес_ключевика)) / sqrt(число_вхождений_самого_частого_слова или 7, если число_вхождений_самого_частого_слова меньше 7)
Виталий, я бы для строгости ввел бы еще коэффициентик:
Р = К * вИЦ * (число_найденных_ключевиков) * sqrt(ln(вес_ключевика)) / sqrt(max(число_вхождений_самого_частого_слова, 7))
И самое интересное - природа этого коэффициентика. Боюсь, что это ни фига не константа.
Уже рисую. Как правильно писать: "хамлы" или "хамовьё"?
"Дамы и господа хамы" 😂
тот, кто пытался повторить расчеты, знают какой набор неопределенности возникает
Похоже, потому, что явно не всё определено в модели. ;)
Говорил же я - давайте сначала определим переменные и константы...
забывающие, что тексты ссылок - это тоже КОНТЕНТ.
Только от него "тошнит" по другому, не так ли? ;)
Больно уж стабильны и первичная формула и "альтернативная" формула при смене рэндомном страниц, которые сравниваем.
Ну вот вы, наконец-то и встретились с ее нестабильностью ;)
Не соглашусь, явно как раз противоположное
Вы хотите сказать, что попадавшие двухсловники висели в топе только за счет контента?
nickspring, функция должна быть гладкой.
Кстати, а почему, собственно? Производные от нее брать не надо же. :)
wolf, по сути цитаты ХРНС и первоисточника не взаимоисключают друг друга
А я разве его опровергал? :)
Это подходит для однословника, если тройка и что-то не проходит кворум, запрос "слово1 слово2 слово3", а находится только "слово1 сслов2"? Поэтому и "найденных пассажей". Тоже самое и с весом пассажа, в том смысле, что вычисляется как-то по всем терминам, но в формулу релевантности в итоге входит как множитель.
Для многословников тоже подходит с оговоркой, что речь идет о словах, вошедших в пассажи, прошедшие кворум. И вес пассажа - явно недостаточное определение. Ибо разные слова в пассаже будут иметь разный вес, т.к. у них, к примеру, разные IDF.
В-третьих, что еще важней, наконец-то, сегодня Хрнс признал, что возможно применение нескольких подходов к расчету релевантности.
Не удивлюсь, если с разнообразием тестовых примеров количество подходов существенно возрастет. :)
Какие конкретные составляющие используются трудно предположить потому, что тот, кто пытался повторить расчеты, знают какой набор неопределенности возникает, когда начинаешь копаться и как хочется бывает надрать одно место этому Хренычу.
Виталий, и Вам тоже жалко бесцельно потраченного времени? ;)
Но просьба в той теме не писать о двусловниках!
Пишите здесь.
А что писать? Двухсловники попадали явно не из-за контентной составляющей ;)
Естественно, что такое же подозрение падает и на ссылочное, так как это тоже фактор ранжирования и фактор ранжирования КОНТЕНТА ссылок.
Контент ссылок строится несколько по другим принципам, чем текст. И низкое наличие в ссылочном контенте стоп-слов - вполне нормальное явление, в отличие от естественного текста.