Рейтинг блогосферы - пост 4 (про ссылки)

Примечательно, что с каким бы программистом я не начинал обсуждать алгоритм составления ТОПа, в итоге каждый говорил, что вот он сейчас пойдет создаст сайт, выложит там новый ТОП и станет популярным. Это с одной стороны хорошо, так как показывает, что программисты - люди дела и любители играть в разные алгоритмы, а также мечтают стать знаменитыми. Но с другой стороны показывает, что они не понимают
1) Как работать в команде,
2) Что так как все работают с одним векторным пространством и одинаковыми сырыми данными, то в итоге рейтинг у всех будет совпадать в значительной степени.(~20%)
3) Самая сложность не в первоначальной сортировке, а в последующих фильтрах, которые должны отсеять спамерские посты. А спамерские посты чаще всего имеют ссылки как входящие, на сам пост, так и исходящие - на рекламу - которые нужно уметь определять и фильтровать. Вот об этом алгоритме работы нового ТОПа и поговорим.

После 4х летнего изучения топов я с полной уверенностью могу сказать, что нет смысла составлять списки бана, то есть лишать определенныз определенных блогеров шанса попасть в ТОП. Ибо это равносильно тому, чтобы посадить своего модератора, так как спамер может создавать новые блоги каждый день. В связи с этим логичным видится
1) фильтр по ссылкам, которые содержаться в посте - то есть все ссылки должны проходить проверку через сервис opendns, чтобы исключить ссылки на фишинговые сайты в топе или на сайты с вирусами. Минус - медленная работа по отбору записей, поэтому я пока ограничился самосоставленным списком с плохими ресурсами. И если в после есть ссылка на плохой ресурс, то пост не попадет в топ. Также я расматриваю вариант, когда на наличие плохих ссылок будет анализироваться вся главная страница блога и страница профиля, так как вероятно их откроет человек захотевший узнать побольше об авторе ТОПа и этим тоже пользуются спамеры.
2) ссылки на популярные сервисы сокращения ссылок (bit.ly) можно пока не фильтровать, так как эти сервисы сами заинтересованы в фильтрации ссылок на фишинговые и вирусные сайты.
3) Ранее я упомянул фильтр на локальный экстримум - он заключается в том, что проверяется, что за локальный период времени ссылок именно на этот пост блогера было больше всего или комментариев было больше всего. Это прежде всего позволяет отфильтровать тех у кого есть трансляции и у кого стабильно по несколько ссылок между своими трансляциями. Также отфильтрует тех, у кого стабильно много комментариев, например из-за спама в комментариях.
4) Анализируя спамерскую активность я пришел к выводу в необходимости фильтра "LinksIntegrity" - задача которого проверить все ссылки на расматриваемый пост, отбросить одинаковые, отбросить те, которые сделаны из сообществ и отбросить все ссылки с микроблогов. Повышенная активность в микроблогах и то, что там почти каждый пост содержит ссылки - говорит о том, что нельзя микроблоги причислять к полноценным блогам. Кроме того в микроблогах сейчас каждый упоминание типа "@user" - считается ссылкой и это сильно перекосило рейтинг блогеров и вызывает недоумение в определенных кругах. Итак, после отбора ссылок, проверяется, что оставшееся число ссылок достаточно для того, чтобы интегральная характеристика поста оставалась среди 20% постов с наибольшим значением.


Метки:   Категории:Blogs | Analytics | topbot | Code


blog comments powered by Disqus

Добавить комментарий

Кто я?

Программист. Я слежу за блогосферой и знаю, как будет развиваться интернет. Когда у меня есть время я даже прилагаю для этого усилия. Подробнее

Последние комментарии

Topbot at FeedsBurner

Популярные записи

Облако тэгов

Не отображать

Мои Твиты

Twitter февраля 12, 09:04
Роскомнадзор достучался до Azure http://dlvr.it/QyjSPS

Twitter февраля 6, 07:58
Про жизнь в Южной Осетии http://dlvr.it/QyHTwx

Twitter февраля 6, 07:58
Хиллари против Трампа в Америке и приход женщин во власть http://dlvr.it/QyHTxG https://twitter.com/f1ashr/status/1093056334906281985/photo/1

Twitter февраля 6, 07:58
Powering Down Google Reader http://dlvr.it/QyHTvM

Twitter февраля 4, 22:48
Разбор сериала Медичи: Повелители Флоренции http://dlvr.it/QyBKWh https://twitter.com/f1ashr/status/1092555544953466880/photo/1

Twitter февраля 4, 22:48
Добродел обновился http://dlvr.it/QyBKWM https://twitter.com/f1ashr/status/1092555541505748992/photo/1

Twitter февраля 4, 22:48
Минусы Windows Azure и проблемы облачных технологий http://dlvr.it/QyBKTx https://twitter.com/f1ashr/status/1092555537604984832/photo/1

Twitter февраля 2, 19:43
Трансляции Одноклассников (http://Ok.ru/live) добавлены в t30p http://dlvr.it/Qy3PD5 https://twitter.com/f1ashr/status/1091784208618405890/photo/1

Twitter февраля 2, 19:43
Upside down, Inside Out, Zero Gravity http://dlvr.it/Qy3PCF https://twitter.com/f1ashr/status/1091784204344385538/photo/1

Twitter февраля 2, 19:43
Европейский Гугл удаляет ваш сайт из результатов поиска http://dlvr.it/Qy3P8H

Twitter января 29, 09:55
@TheFranchiseCo7 @coinhive_com Forget about them, they dont process payments for 3 months already

Twitter января 18, 21:16
PUBG Mobile выпустила эмулятор Android http://dlvr.it/Qx0CYl https://twitter.com/f1ashr/status/1086371676554588160/photo/1

Twitter января 16, 12:09
Белый шум защищен авторским правом на youtube http://dlvr.it/Qwnrln

Twitter января 16, 09:09
Пример божественного вмешательства в фильме No country for old men http://dlvr.it/QwnGRH https://twitter.com/f1ashr/status/1085464059191865345/photo/1

Twitter января 16, 09:09
Украина готовит на Евровидение песню с быками http://dlvr.it/QwnGTW

Twitter января 9, 20:08
Рейтинг каналов Discord App http://dlvr.it/QwKXrr https://twitter.com/f1ashr/status/1083093077856727040/photo/1

Twitter января 8, 20:03
Про рейтинг http://dlvr.it/QwFNxN

Twitter января 8, 20:03
http://asp.net optimization http://dlvr.it/QwFNw9

Twitter января 8, 20:03
Закрытие Европы http://dlvr.it/QwFNx0

Twitter января 7, 13:03
Новогодние поздравления от Google http://dlvr.it/Qw7nXS https://twitter.com/f1ashr/status/1082261513778262018/photo/1

Мой твиттер

Копирайт

Все мысли, высказанные в блоге, являются моим мнением и за это мнение меня никто не забанит! Кроме того, никто не имеет право копировать материалы блога без использования ctrl+C/V!

© Copyright 2008