O etichetă purtată de jumătate din corpus

Sub fiecare articol de pe acest sit se află un bloc de patru dale, cu titlul Continuați lectura. Este singura legătură internă automată pe care o avem; tot restul este o legătură pe care a scris-o cineva într-o propoziție.

Blocul era la locul lui de luni de zile și nimeni nu întrebase ce alege. Când l-am măsurat, pe paginile redate ale unei compilări de producție și nu pe funcția care le umple, răspunsul a fost că nu alegea aproape nimic. Din cele 127 de articole englezești, 71 nu primeau nicio dală. Articolul median nu era legat de nimeni. Patru articole primeau 304 din cele 508 dale care există, câte 88, 76, 72 și 68 fiecare.

Un bloc care nu numește niciodată 71 de pagini nu este legătură internă. Este o listă cu primele patru, cu un titlu deasupra.

Eticheta nu făcea nicio treabă

Selecția veche lucra în trei straturi de familie: aceeași familie cu o etichetă comună, altă familie cu o etichetă comună, aceeași familie fără niciuna. În fiecare strat sorta după data publicării și lua patru.

Asta se citește ca o ordonare cuminte, iar pe corpusul acesta era o mașină de produs orfani, dintr-un motiv care nu are nimic de-a face cu sortarea: proxmox stă pe 75 din cele 127 de articole englezești, adică 59 la sută. Aproape fiecare notă tehnică pe care o scrie proiectul acesta se petrece pe Proxmox, așa că aproape fiecare notă a primit eticheta.

O etichetă purtată de jumătate din corpus nu deosebește nimic. Stratul întâi era așadar aproape întotdeauna plin, iar înăuntrul unui strat plin după dată înseamnă cele mai noi patru articole. 300 din cele 508 perechi de vecini împărțeau acea singură etichetă și nimic altceva, iar pentru 75 de articole asta era adevărat pentru toți patru vecinii deodată. Simptomul cel mai limpede se vedea pe paginile de comparație: cele patru articole despre alternative la produse concurente puneau în dale aceleași patru note recente și, prin urmare, niciodată una pe cealaltă și niciodată propria lor comparație directă.

O a doua măsurătoare spune același lucru din cealaltă parte și a hotărât cum am etichetat articolele pe care le citiți acum. Din cele 75 de articole englezești care poartă proxmox, 43 nu conțin cuvântul Proxmox nicăieri în corp. Eticheta încetase să însemne acesta este despre Proxmox și începuse să însemne acesta este de-al nostru.

O singură notă, trei feluri de termeni, niciun bonus pus cu mâna

Înlocuitorul este o singură notă. Două articole sunt vecine în măsura în care împart termeni, iar un termen valorează ln(N / df): clasica frecvență inversă în documente, cu N numărul de articole din limba aceea și df numărul celor care poartă termenul.

Trei feluri de termeni trăiesc într-un singur spațiu, cu prefixe ca să nu se poată ciocni: tag: din antet, vorm: din forma articolului, citită din slugul și familia lui, și over: din cuvintele de subiect din slug.

Ponderarea decurge în loc să fie stabilită. Pe corpusul pe care l-am măsurat, tag:proxmox valorează 0,53, iar tag:dedicated 2,45. Nimeni nu a tastat vreunul dintre numerele acestea și nimeni nu trebuie să își amintească să îl scadă pe primul când aterizează a șaisprezecea notă despre Proxmox.

Vocabularul de subiect este derivat în loc să fie tastat. Este reuniunea slugurilor de integrare pe care situl le ține deja și a valorilor about din blocurile de afirmații despre concurenți, de unde vin nume precum solusvm, tenantos, virtfusion și virtualizor: exact cuvintele care sunt subiectul unei pagini și nu sunt o integrare. O a treia listă scrisă de mână ar fi fost al patrulea loc în care trăiește același nume și primul care s-ar fi învechit.

A pondera doar etichetele este mai rău, nu pe jumătate mai bine

Schimbarea măruntă și ispititoare este să păstrați eticheta drept singurul semnal și doar să o ponderați. Am măsurat varianta aceasta înainte să alegem, fiindcă este ceea ce va propune cineva data viitoare când vine vorba.

Produce 74 de orfani în loc de 71, iar din cele 22 de pagini de alternative și de comparație exact una a păstrat doi vecini de forma ei, în scădere de la nouă. A pondera un semnal care nu deosebește nu îl face să deosebească. Deosebirea vine din vorm: și over:; frecvența inversă în documente hotărăște doar cum se împarte ponderea.

Dacă o trăsătură nu are aproape nicio variație, nicio schemă de ponderare nu o salvează, iar o formulă isteață peste o trăsătură proastă arată a progres fiindcă numerele se mișcă.

Departajarea este jumătate din reparație

Iată partea pe care nu am fi prezis-o. Pe 75 de articole care nu împart nimic în afară de forma de notă și eticheta comună, nota este identică. Fiecare dintre perechile acelea este o egalitate, deci departajarea hotărăște totul, nu cazurile de margine.

A sorta egalitățile după dată este vechea purtare într-o haină nouă: iarăși cele mai noi patru. Departajarea este acum articolul cu cele mai puține dale mai întâi, cu data și slugul în urma ei ca încheiere statornică.

Schimbarea aceea singură este cea care a dus numărul de orfani la zero și costă ceva real ca formă: nu se poate calcula pe articol. Trebuie să parcurgeți o dată toată limba, într-o ordine fixă, numărând ce a fost deja împărțit.

În engleză: medianul 0 devine 4, maximul 88 devine 12, cei 71 de orfani devin 0. Fiecare dintre celelalte limbi ajunge la același median și la același zero, cu un maxim de 13. Din cele 46 de perechi de vecini care nu împart nicio etichetă, toate 46 împart acum forma, acolo unde înainte 37 de perechi nu împărțeau absolut nimic.

Am măsurat și o penalizare înăuntrul notei înseși, scăzând un sfert din numărul de dale pe care un articol le are deja. Aplatizează puțin mai mult, minimum două în loc de una, și cumpără asta cu relevanță: partea vecinilor care nu au nimic în comun urcă de la 9,1 la 12,2 la sută. O departajare poate, prin construcție, doar să reordoneze candidați care au obținut deja aceeași notă, deci nu poate niciodată să scoată afară un vecin mai bun. O penalizare poate.

Ce poate afirma cinstit o gardă aici

Testul care exista pentru blocul acesta verifica dacă blocul este plin. A trecut tot timpul și avea dreptate să treacă: patru dale erau redate pe fiecare pagină. Nu avea nicio părere despre faptul dacă erau despre ceva.

Regula strictă și evidentă pentru înlocuitor este greșită. Fiecare pagină de alternative și de comparație trebuie să aibă cel puțin doi vecini de forma ei sună a proprietatea pe care o vrem și ar sili vecini mai slabi: una dintre paginile acelea este despre alternative la cPanel, iar cei mai buni patru vecini ai ei sunt patru articole despre cPanel, cu zero potrivire de formă. Asta este corect, iar o regulă care ar cere altceva ar strica-o. Garda numește așadar cele nouă pagini despre care era cu adevărat runda.

Iar proprietatea pe care o vreți s-ar putea pur și simplu să nu existe pe datele voastre. Nicio pereche nu are voie să împartă doar eticheta cea mai comună nu se poate satisface aici. Forma cinstită este comparativă: niciun candidat neales nu obține o notă mai mare decât cel mai slab vecin ales. Asta se poate verifica, este chiar definiția corectitudinii și nu se preface că acest corpus este altceva decât este.

Ce am consemna

1. 01Măsurați paginile redate, nu funcția. Distribuția este defectul; funcția arăta bine.
2. 02O etichetă pe 59 la sută dintr-un corpus nu este un semnal. Este un semn al stilului casei.
3. 03Verificați dacă eticheta voastră mai înseamnă ce spune numele ei. 43 din 75 nu mai însemnau.
4. 04Selecția pe straturi cu o sortare înăuntrul fiecărui strat este o sortare. Primul strat era aproape întotdeauna de ajuns.
5. 05A sorta egalitățile după dată readuce înclinația spre noutate oriunde egalitățile sunt dese, iar pe un corpus uniform egalitatea este cazul obișnuit.
6. 06Departajarea poate fi toată reparația. A noastră a dus orfanii de la 71 la zero.
7. 07A pondera o trăsătură fără variație nu schimbă nimic. Măsurați jumătatea de reparație ispititoare înainte să o respingeți prin argument.
8. 08Preferați o departajare unei penalizări. O departajare nu poate scoate afară un candidat mai bun; penalizarea pe care am măsurat-o ar fi costat 3,1 puncte de relevanță.
9. 09Derivați-vă vocabularul dintr-un registru pe care îl țineți deja. O a patra copie a numelui unui produs este prima care se învechește.
10. 10Dacă proprietatea pe care o vreți nu se poate satisface, scrieți-o pe cea comparativă. Nimic neales nu bate cel mai slab ales se poate verifica și este adevărat.

Ca să fie limpede ce este aceasta: distribuțiile dinainte și de după au fost citite din DOM-ul a două compilări de producție, 20 din 20 de pagini s-au potrivit direct cu funcția de selecție, două compilări separate ale aceluiași commit au ieșit identice octet cu octet peste 18 secțiuni de dale, o parcurgere a 1758 de pagini nu a găsit niciun orfan și nicio legătură moartă, garda nouă poartă 13 teste dintre care 5 au fost dovedite roșii mai întâi, suita web s-a încheiat la 4703 verde, iar verificarea de conținut la 923 din 923. Nedovedit: efectul asupra clasării al oricăruia dintre acestea, care se poate măsura în patru până la șase săptămâni și nu mai devreme, față de lista consemnată a celor 71 de pagini care înainte nu primeau nimic.

Din munca de platformă la Provibr. Ce își datorează unul altuia un titlu și legăturile care arată spre el se află în trei defecte pe care niciun script nu le vedea, de ce același articol poate ajunge cu două nume se află în două nume pentru același articol, iar cazul în care titlul de pagină și cel dinăuntru trebuie să difere se află în când titlul nu poate fi și cel din pagină.