Ten sam hydraulik policzony cztery razy - i dlaczego nie wypuściliśmy poprawki
Pomiar na 72 odpowiedziach: 454 wyodrębnione nazwy dla 424 prawdziwych firm. Oczywista poprawka wchłonęła 61 duplikatów - i sprawiła, że zniknęły 72 prawdziwe lokale. Nie wypuściliśmy jej.
W tym artykule
Wczoraj napisaliśmy, że nasz ekstraktor nie umiał czytać japońskiego, koreańskiego, chińskiego ani arabskiego. Po naprawie czyta je. Dzisiejsze pytanie wynika stąd wprost: czy to, co czyta, jest poprawne?
Zebrane wczoraj 72 odpowiedzi - sześć rynków, dwie branże, trzej asystenci - wystarczyły, żeby to sprawdzić, bez opłacania ani jednego nowego wywołania. Przeczytaliśmy je jeszcze raz.
Jeden hydraulik, cztery wiersze
W jednej tabeli konkurentów w Tokio firma Kurashian pojawia się pod czterema różnymi etykietami: sama nazwa, nazwa z dwukropkiem i zdaniem opisu, nazwa w nawiasie oraz nazwa z doczepioną wzmianką o rankingu. Cztery wiersze, jedna firma.
W Dubaju Urban Company pojawia się trzy razy - po razie na każdy zapis dawnej nazwy. W Lyonie Ring Twice, Yoojo, ThreeBestRated i StarOfService pojawiają się po dwa razy: raz same, raz z myślnikiem i słowem Lyon.
Tabela pokazująca tego samego rywala w trzech wierszach nie tylko źle liczy: rozcieńcza jego udział w głosie i fałszuje ranking.
Zliczenie, nazwa po nazwie na sześciu rynkach: 454 wyodrębnione ciągi dla 424 prawdziwych firm. Trzydzieści duplikatów. Japoński trzyma połowę z nich, ale francuski też ma swoje - i właśnie ten szczegół uczynił przyczynę ciekawą.
Dwie przyczyny, z których jedna dotyka wszystkich
Pierwsza to historia o alfabecie, jak wczoraj. Nasz rozdzielacz tnie nazwę przy pierwszym separatorze: « Marka - świetne opinie » staje się « Marka ». Jego lista separatorów jest zapisana znakami ASCII. Ale japoński i chiński piszą dwukropki i nawiasy w pełnej szerokości, bez spacji dookoła: nic nie pasuje, więc nazwa zatrzymuje całe zdanie.
Druga nie jest wcale egzotyczna. Podział stosował się wyłącznie do nazw znalezionych w wypunktowaniu. Nazwy, które asystent stawia pogrubione w środku akapitu, nigdy przez niego nie przechodziły. Dlatego « Ring Twice » i « Ring Twice - Lyon » liczą się w Lyonie jako dwa: francuski był dotknięty od zawsze, a nikt tego nie zmierzył.
Poprawka, napisana i zmierzona
Jedna reguła podziału, wspólna dla wszystkich ścieżek wyodrębniania, rozszerzona o interpunkcję pełnej szerokości. Około trzydziestu linii. Puszczona ponownie na 72 odpowiedziach: 454 ciągi stają się 424. Kurashian znów jest jedną firmą, Urban Company też.
Potem policzyliśmy, co weszło, a co wypadło, odpowiedź po odpowiedzi - i tu poszło źle.
61 duplikatów wchłoniętych.
O to chodziło.
72 nazwy utracone
- wśród nich Maison Deschamps, prawdziwa lyońska piekarnia, wcześniej wyodrębniana, a teraz już nie.
85 nowych wpisów
, w tym « sprawdź uprawnienia » i « odruch poczty pantoflowej ». Porady, nie lokale.
Dlaczego poprawna poprawka psuje coś innego
Mechanizm wart jest zrozumienia, bo w kodzie jest niewidoczny. Nazwa dłuższa niż czterdzieści znaków zostaje odrzucona: stara zapora napisana po to, żeby trzymać zdania z dala. Po japońsku pytanie asystenta ma zwykle czterdzieści pięć znaków, więc odpadało. Przecięte przy nawiasie schodzi do dwudziestu jeden: przechodzi.
Zapora długości filtrowała więc szum przypadkiem, w pismach bez spacji. Naprawa podziału zabrała tę niezamierzoną ochronę. A ponieważ tabela konkurentów pokazuje tylko osiem nazw, każdy wpuszczony fragment porady wypycha jedną prawdziwą.
Nie wypuściliśmy tego. Poprawka jest napisana, zmierzona i złożona w repozytorium wraz z tymi liczbami. Wyjdzie, kiedy wykrywanie porad zadziała we wszystkich czterech pismach: to prawdziwa robota i wymaga napisania tych reguł język po języku.
Co to zmienia dla Ciebie
Policz wiersze tabeli konkurentów, zanim jej uwierzysz.
Jeśli jedna nazwa jest tam dwa razy w dwóch formach, ranking jest fałszywy, a udziały w głosie rozcieńczone.
Narzędzie może mylić się jednocześnie w obie strony.
Nasze zawyżało liczbę rywali i przepuszczało porady: naprawienie jednego obnażyło drugie.
Pytaj, co jest liczone, a nie tylko ile.
« Ośmiu konkurentów » nic nie znaczy, dopóki nie wiadomo, czy wszyscy ośmiu to firmy.
Podejrzliwie patrz na liczbę, która nigdy się nie rusza.
Pułap ośmiu został osiągnięty w niemal wszystkich naszych pomiarach: to był sufit, a nie wynik.
Ograniczenia
72 odpowiedzi, sześć rynków, dwie branże, jeden poranek zbierania: to sondaż. Oddzielenie « firmy » od « porady » zrobiono ręcznie i wchodzi w to trochę osądu - nazwa taka jak « Professional Setup » mogłaby być firmą. Trzydzieści duplikatów nie wymaga osądu: to ciągi zaczynające się od tej samej nazwy.
Publikujemy poprawkę, której nie wypuściliśmy, bo to jest użyteczna informacja. Narzędzie pomiarowe, które opowiadałoby tylko o swoich sukcesach, mierzyłoby źle, a raportowało jeszcze gorzej.