www.weblogy.cz :: 2 měsíce poté

Komentáře

1. 1 Jirka Lahvička 16.05.04, 11:05:00
   

   Řazení příspěvků do témat:
   1. Spočítá se podobnost nového příspěvku se všemi předchozími příspěvky (nový i předchozí příspěvky jsou nahrubo lematizované, tj. slova převedená na kořeny). Podobnost se určuje na základě shod slov a až čtyřslovných frází.
   2. Vyberu příspěvky, co vyšly nejpodobnější, a podívám se, do jakých témat byly zařazeny, tím mi vyjde podobnost příspěvku k tématům.
   3. Aplikace Bayesových vzorců na podmíněnou pravděpodobnost - příliš složité zde rozepisovat, ale pokud někdo píše pravidelně o publikačních systémech, stačí mu menší podobnost, aby byl do tématu přiřazen, než někomu, kdo o tom dosud nenapsal ani čárku.

   Každopádně to ještě potřebuje ruční korekce, mám sice ještě v plánu jedno zlepšení algoritmu na hodnocení podobnosti a i lematizér budu psát znova a lépe, ale lidská inteligence pořád mírně vede :-)

   Řazení na titulce:
   1. Nové příspěvky
   2. Nečtené příspěvky
   3. Přečtené příspěvky
   Uvnitř každé skupiny rozhoduje rank příspěvku odvozený z jeho čtenosti. Na začátku dostane každý poměrně vysoký rank, ale pokud nikdo nekliká, rank rychle klesne. Poté, co se vyberou příspěvky podle tohoto algoritmu, setřídí se ještě podle času. Pro ty, kdo preferují nefiltrovanost, je stránka Vše za posledních 14 dní - všechno, co importér našel, chronologicky, bez jakékohokoliv dalšího řazení/filtrování.

   Další vývoj
   Momentálně si zkouším algoritmy na jeden projekt, který bude trochu podobný, takže co se osvědčí, to strčím i na weblogy.cz. Do té doby jsem rád, že stíhám opravovat parser, aby se vyrovnal s chybami a změnami v HTML sledovaných blogů (třeba s tím, že nejmenovaný blog bude uzavírat stránku tagem </htm> místo </html>, jsem fakt nepočítal :D )
2. 2 Radek Hulán 16.05.04, 11:05:15
   

   [1] děkuji Jirko za doplnění, to byla ale rychlost 8O
3. 3 Jiří Macich ml. 16.05.04, 11:05:36
   

   [1] Co mám udělat proto, aby můj blog byl agregován? Píšu Blog počítačového nadšence na http://blog.macich.net, který je v TopList Weblog 50 a třeba Přehled.NET jej agreguje (jako jeden z mála blogů), tak nevím, jestli je tak špatný, že se na Weblogy.CZ nedostal nebo jestli ještě neuvízl v oku autora :D
4. 4 Jirka Lahvička 16.05.04, 11:05:43
   

   [3] Blog znám a není špatný, jen nesedí do podtitulu weblogy.cz Co píší české weblogy o webdesignu, internetu a programování - patří prostě mezi tu drtivou většinu blogů, které do tématu agregovaného weblogy.cz nezapadají. Třeba prehled.net agreguje úplně jinou oblast, tj. s nimi žádný překryv mít asi nikdy nebudu.
5. 5 Jiří Macich ml. 16.05.04, 12:05:16
   

   [4] Nezlob se na mě, ale takových tam máte více a v pohodě se agregují 8O
6. 6 Patrick Zandl 16.05.04, 05:05:33
   

   AI u sluzby prehled.net je - myslim, ze je to trochu podobne weblogy.cz. Jen se zatim neaplikuje rank podle čtennosti, protože ta je nevelká a vznikají velké odchylky tím, jak si na link kliknu já :)

   Přehled.net není zaměřený na telekomunikace, vybírá proste nejsledovanější témata na českých webech v oblasti techniky - a většina témat na českém netu se týká telekomunikací. Mnoho IT serverů bohužel nemá RSS (Pctuning, swnet a další), zatímco servery o telco mají RSS prakticky všechny. A tím se i trochu deformuje to, co na něm je nejvíce vidět.

   Během pár dní začneme hromadně sledovat i weblogy, které se technice nevěnují tak detailně, nebojte, zlepšení budou :)
7. 7 Jiří Macich ml. 16.05.04, 08:05:41
   

   [6] Jen nevyhoďte mě :D
8. 8 Petr Olmer 27.05.04, 04:05:49
   

   Ještě k technické stránce věci: Přehled.net analyzuje pouze titulky, takže používá trochu odlišný algoritmus od weblogů.cz, ale ten text-mining pochopitelně zůstává, včetně klasifikace do ontologie a počítání podobnosti. Patrick si trochu vymýšlí, že Přehled.net není zaměřený na telekomunikace. Trochu je, protože pro telekomunikace máme zatím nejvíc propracovanou ontologii. Ale na druhou stranu ji máme nejvíc prorpacovanou právě proto, že se o ní nejvíc píše. :-)