Помогаем пользователям Андрей Смирнов 1
Помогаем пользователям Андрей Смирнов
1
Зачем это всё?
Надо ли помогать пользователям?
Надо
2
Помощь при поиске
— Подсказки при вводе поискового запроса..
— Исправление раскладки
— Исправление ошибок
— Исправление раскладки и ошибки
— Разбиение на слова
— Лишние слова.
3
4
Помогаем п(р?)одающим
— Много, очень много объявлений с ошибками
— Собираем популярные ошибки, и учитываем их при индексации
5
6
Стопслова.
— Некоторые товары нельзя продавать. наркотики, людей
— Мат, в подсказках некрасиво. Вычеркиваем о%;ительный
— Нерелевантные слова. вообще, был, для
7
Выбор морфологии.
— Зачем приводить к нормальной форме
— Soundex, Metaphone
— Stemmer
— Lemmatizer
8
Словоформы.
— Опечатки Былочка
— Синонимы
Плюшка, Пышка, Розанчик, Слойка, Бриошь, Кокура, Бриош,
Гугель, Маффин
— Сленг регионов. шаверма, шаварма, шаурма
— Тематический сленг Автомобильные запчасти, кошечки..
— Транслитерация bulka, bulca
— Ошибки лемматайзера9
Подготовка текста
— Парсим наши большие индексы. Раскладываем по категориям
— Удаляем дубликаты. Они испортят общую картину.
— Чистим сами слова, лишние символы
— Нормализуем входные слова, убирает стопслова
10
Подготовка данных
— Загружаем все слова в sphinx. без стемминга и лематизации.
— Выгружаем частотности слов
— Генерим новый индекс. Слово, Нормализированное слово, слово в
другой раскладке, частотность, биграммы
— Загружаем все слова в word2vec. Генерим большой пребольшой граф.
11
Прогон
— Выбираем наиболее частотные слова.
— Частотность первых 15% слов составляет 80% от частотности всех слов.
— Конструируем формулу для автоматической выборки пар.
— Сила связи между словами из вектора.(из вектора word2vec)
— Коэффициент похожести слов. (из N-gramm, Д-Левенштей, учитывается смена раскладки)
— Логарифм от частотности в тексте
— Получаем много и много пар слов.
12
Bag-of-wordsтормоз
ножной 0.905975
незавимсимый 0.885751
тросиков 0.868641
стояночный 0.867629
vтормоза 0.851434
троссиковой 0.845943
гидравлич 0.839933
тормозколесо 0.83949
easystop 0.833925
тектро 0.833664
самоискатель 0.828096
тормозной 0.826122
caliper 0.826041
пожвижные 0.825819
прямоехать 0.824853
тормозапередний0.821059
торомоз
тормоз 0.781977
pushpush 0.755649
незавимсимый 0.748093
ругулятор 0.747481
осистояночный 0.744312
стоянойный 0.743994
сахтросиковой 0.741415
самх 0.74106
задниепередняя 0.734304
поворотныеманевренный0.734046
ручын 0.733179
поворотностопорный 0.730534
троссиков 0.728075
мамыш 0.726821
пожвижные 0.726676
асортизатор 0.721914
тормаз
тормоз 0.806569
хорошиенадувной 0.779151
стопколяска 0.759566
ругулятор 0.749028
pushpush 0.741626
единственый 0.738707
перекладинапедалька0.737508
пожвижные 0.73588
блакироваться 0.73063
тормозколесо 0.730521
плавующий 0.729905
нафиксатор 0.726576
тормозручка 0.724633
тормозомпланка 0.723524
тросиков 0.723105
тормозручной 0.720761
13
Skip-gramтормоз
торомоз 0.776441
тормаз 0.766608
просторнаяручка 0.750774
томоз 0.714225
тормозкорзина 0.707341
тормозколесо 0.690314
тормозомпланка 0.668233
тормозесть 0.658294
тормозфиксатор 0.654067
тормозблокиратор 0.640565
дискахцентральный 0.639764
стальтормоз 0.634496
тормозапередний 0.631227
поверхностьюножной0.629615
тормозскладываться 0.6179
колесахудобный 0.611964
торомоз
тормоз 0.776441
тормаз 0.674317
просторнаяручка 0.658775
тормозколесо 0.653706
асортизатор 0.630608
томоз 0.622021
тормозкорзина 0.615997
тормозапередний 0.59914
тормозомпланка 0.590222
тормаз
тормоз 0.766608
торомоз 0.674317
тормозколесо 0.628059
тормозомпланка 0.619644
тормозафиксатор 0.61739
тормозскладываться0.599998
14
Проверка
— Проверяем только большие индексы
— Поднимаем рядом два индекса
— Получаем их монги логи запросов.
— Если стало сильно лучше или сильно хуже смотрим глазами
15
Популярные опечатки
комбинезон71
компьютер 61
запчасть 54
hakkapelliita34
mitsubishi 28
комплект 28
hyundai 28
vw 2716
камбенезон камбинезон камбинизон кимбинезон кобинезон
кобминезон комбенезон комбензон комбиезон комбиензон
комбимнезон комбинедзон комбинезан комбинезин
комбинензон комбинзон комбинизон комбинозон
комбиньзон комбмнезон комбнезон комбтнезон
комибинезон коминезон коммбинезон комьинезон
конбенезон конбинезон
17
Вопросы[email protected]
18