Сегментация ЖЖ по языку
Сооовсем давно мной был опубликован пост, в котором я предлагал предложить мысли для определения языковой принадлежности блога.
Ведь все блоги в ЖЖ сейчас существуют под доменом .com и нет возможности даже приблизительно оценить сколько блогов "in english" и сколько блогов "in russian" при оценке именно "живых блогов".
Результатом генерации различных идей по определению языка блогов на 2 группы, стали следующие меры (прошу обратить внимание, что порядок применеия мер имеет значение!):
1. Если в профиле блога указаны страны Russian Federation, Ukraine, Belarus, то язык русский.
2. Если в профиле блога есть хотя бы 5 букв из русского алфавита "йцукенгшщзхъфывапролджэячсмитьбю", то блог русский.
3. Если в профиле блога есть хотя бы одно вхождение одной из подсткорки сначала любого отдельного слова - "ru_", "ukr_", "ua_", или есть вхождение одной из подстроки вконце любого слова - ".ru", ".ukr", "_ru", "_ukr", ".ua" - блог русский.
Если не один из блогов не имеет значения True, то блог считаем "не русским".
P.S. Скоро результаты данного research будут доступны на ресурсе www.blometer.ru, что даст более четко оценить размер русской блогосферы.
Ведь все блоги в ЖЖ сейчас существуют под доменом .com и нет возможности даже приблизительно оценить сколько блогов "in english" и сколько блогов "in russian" при оценке именно "живых блогов".
Результатом генерации различных идей по определению языка блогов на 2 группы, стали следующие меры (прошу обратить внимание, что порядок применеия мер имеет значение!):
1. Если в профиле блога указаны страны Russian Federation, Ukraine, Belarus, то язык русский.
2. Если в профиле блога есть хотя бы 5 букв из русского алфавита "йцукенгшщзхъфывапролджэячсмитьбю", то блог русский.
3. Если в профиле блога есть хотя бы одно вхождение одной из подсткорки сначала любого отдельного слова - "ru_", "ukr_", "ua_", или есть вхождение одной из подстроки вконце любого слова - ".ru", ".ukr", "_ru", "_ukr", ".ua" - блог русский.
Если не один из блогов не имеет значения True, то блог считаем "не русским".
P.S. Скоро результаты данного research будут доступны на ресурсе www.blometer.ru, что даст более четко оценить размер русской блогосферы.