Тематические термины: термины с одним словом vs слагаемые термины

Question

With your perfect help here Я уже выяснил, как вычислить трендовые темы (стандартная оценка + плавающая средняя).

Моя следующая проблема: у меня есть термины (состоящие из 1-3 слов) в моей базе данных, связанные со временем их упоминания. Но трендовые темы всегда состоят только из слов с 1 словом, поскольку одна часть термина ВСЕГДА упоминается чаще, чем полный термин. Пример: Вчера 3 статьи новостей были о «Бараке Обаме» и сегодня 148. Тогда «Барак Обама» растет, конечно. Но «Барак» также растет, и поэтому это тема.

Как включить длину слова при вычислении трендовых тем? Я не хочу использовать другой алгоритм, я полностью доволен алгоритмом выше. Могу ли я умножить счет всех двухсловных терминов с 1,5 или около того?

Подробный пример: Мои основные тенденции: Microsoft, Китай, Хиллари Клинтон, Даллас Маверикс. Я хотел сказать, что «Хиллари Клинтон» и «Даллас Маверикс» никогда не занимают ни одного или ни одного 2, потому что это термины с двумя словами. «Microsoft» и «Китай» - это слова с одним словом, поэтому они всегда оцениваются лучше. Есть ли возможность решить эту проблему?

Надеюсь, вы можете мне помочь. Заранее спасибо!

Answer 1

Говоря об Обаме, да, вы можете. :)

Возможно, вы можете проверить, находятся ли ваши высокие тренды в более низких тенденциях до вывода их. Я хотел бы попробовать somehing так:

Пример: у вас есть

1. Обама
2. Air France
3. Бараку
4. A330
5. Барак Обама
6. ...

Если список, который вы хотите вывести не слишком долго (например, вы принимаете только 100 лучших баллов), вы выбираете только те, которые не содержатся в других, возможно, добавив 50% бонус к той, которая содержит остальные. (Возможно, вам придется взять 150 первых значений, затем сделайте свое лечение, удалив избыточность, которая может прийти к чему-то вроде 110, затем обрезайте 10 последних значений, чтобы вернуть свои 100 значений.)

«Барак Обама» содержит как "Барак" и "Обама", чтобы вы могли дать ему бонус в размере 100%, и ваш список может стать:

1. Air France
2. Барак Обама
3. A330
4. ...

Надеюсь, он не слишком сильно изменит ваш алгоритм, но на самом деле вы можете подключить эту обработку в конце, прежде чем вывести ее.

EDIT:

Или же, если вы действительно не перечислить лучшие результаты, но вычислить только один за другим, вы можете разделить вашу тенденцию вычислить обдумывал сумму его компонентов (например, «Барак Обама»» «Барак Обама» + 0,5 * «Барак» + 0,5 * «Обама»).

Answer 2

Основываясь на ответе @ subtenante, формула, которую вы должны искать, должна основываться на факт, что «Барак Обама» всегда содержит «Барак», а также «Обаму» ...
так простая математика показала бы, что это должно быть:

"Barack"s + "Obama"s - "Barack Obama"s 

... предполагая, конечно, что ваши частичные условия присутствуют только в правильном контексте, индивидуально или объединены до полного срока, то есть «Барак» всегда будет ссылаться на «Барак Обама» (а не напр. «Эхуд Барак»).