The third similarity, ft , is compu

The third similarity, ft , is computed using temporal signals from both sources – Twitter and Wikipedia. For the hashtags, we build the time series based on the volume of tweets adopting the hashtag h on each day in T : T Sh =[n1, n2, . . . , n|T |]. Similarly for the entities, we build the time series of view counts for the entity e
in T : T Se = [v1, v2, . . . , v|T |]. A time series similarity metric is then used to compute ft. Several metrics can be used, however most of them suffer from the time lag and scaling discrepancy, or incur expensive computational costs (Radinsky et al., 2011). In this work, we employ a simple yet effective metric that is agnostic to the scaling and time lag of time series (Yang and Leskovec, 2011).
It measures the distance between two time series by finding optimal shifting and scaling parameters to match the shape of two time series:

Kết quả (Việt) 1:

Sự giống nhau thứ ba, ft, được tính bằng cách sử dụng thời gian tín hiệu từ cả hai nguồn-Twitter và Wikipedia. Cho hashtags, chúng tôi xây dựng chuỗi thời gian dựa trên khối lượng tweets việc áp dụng hashtag h ngày mỗi ngày trong T: T Sh = [n1, n2,..., n| T |]. Tương tự như vậy cho các thực thể, chúng tôi xây dựng chuỗi thời gian xem số lần cho thực thể etrong: T Se = [v1, v2,..., v| T |]. Một thước đo tương đồng loạt thời gian sau đó được sử dụng để tính toán ft. Một số số liệu có thể được sử dụng, Tuy nhiên hầu hết trong số họ bị tụt hậu thời gian và sự khác biệt tỷ lệ, hoặc phải chịu chi phí tốn kém tính toán (Radinsky và ctv., năm 2011). Trong tác phẩm này, chúng tôi sử dụng một số liệu đơn giản nhưng hiệu quả là agnostic để nhân rộng và tụt hậu thời gian của thời gian series (Yang và Leskovec, năm 2011).Nó đo khoảng cách giữa hai chuỗi thời gian bằng cách tìm chuyển tối ưu và nhân rộng các tham số để phù hợp với hình dạng của hai chuỗi thời gian:

Kết quả (Việt) 2:

Sự giống nhau thứ ba, ft, được tính bằng cách sử dụng tín hiệu thời gian từ cả hai nguồn - Twitter và Wikipedia. Đối với các hashtags, chúng tôi xây dựng các chuỗi thời gian dựa trên khối lượng tweets việc áp dụng hashtag h trên mỗi ngày trong T: T Sh = [n1, n2,. . . , N | T |]. Tương tự đối với các thực thể, chúng tôi xây dựng các chuỗi thời gian của số lượt xem cho thực thể e
ở T: T Se = [v1, v2,. . . , V | T |]. Một thời gian tương loạt số liệu sau đó được sử dụng để tính toán ft. Một số số liệu có thể được sử dụng, tuy nhiên hầu hết trong số họ bị từ thời gian cũng như nhân rộng sự khác biệt, hoặc phải chịu chi phí tính toán đắt tiền (Radinsky et al., 2011). Trong công trình này, chúng tôi sử dụng một số liệu nhưng hiệu quả đơn giản mà là độc lập để mở rộng quy mô và thời gian trễ của chuỗi thời gian (Yang và Leskovec, 2011).
Nó đo khoảng cách giữa hai chuỗi thời gian bằng cách tìm chuyển tối ưu và nhân rộng các thông số cho phù hợp với hình dạng của hai chuỗi thời gian: