Finally, we study the impact of the

Finally, we study the impact of the burst time period on the annotation quality. For this, we expand the window size w (cf. Section 6.1) and examine how different methods perform. The result is depicted in Figure 4. It is obvious that within the window of 2 months (where the hashtag time series is constructed and a trending time is identified), our method is stable and always outperforms the baselines by a large margin. Even when the trending hashtag has been saturated, hence introduced more noise, our method is still able to identify the prominent entities with high quality.

Kết quả (Việt) 1:

Cuối cùng, chúng tôi nghiên cứu tác động của thời gian nổ giai đoạn về chất lượng chú thích. Đối với điều này, chúng tôi mở rộng cửa sổ kích thước w (x. phần 6.1) và kiểm tra các phương pháp khác nhau như thế nào thực hiện. Kết quả thể hiện trong hình 4. Nó là hiển nhiên rằng trong cửa sổ của 2 tháng (nơi hashtag thời gian series được xây dựng và một xu hướng thời gian được xác định), phương pháp của chúng tôi là ổn định và luôn luôn nhanh hơn so với đường cơ sở bằng lãi lớn. Ngay cả khi hashtag xu hướng đã được bão hòa, vì thế giới thiệu thêm tiếng ồn, phương pháp của chúng tôi là vẫn có thể xác định các thực thể nổi tiếng với chất lượng cao.

Kết quả (Việt) 2:

Cuối cùng, chúng ta nghiên cứu các tác động của khoảng thời gian bùng nổ về chất lượng chú thích. Đối với điều này, chúng tôi mở rộng kích thước cửa sổ w (x Phần 6.1) và xem xét cách khác nhau phương pháp thực hiện. Kết quả được mô tả trong hình 4. Rõ ràng là bên trong cửa sổ của 2 tháng (nơi mà các chuỗi thời gian hashtag được xây dựng và một thời gian xu hướng được xác định), phương pháp của chúng tôi là ổn định và luôn luôn nhanh hơn so với đường cơ sở của một biên độ lớn. Ngay cả khi các hashtag xu hướng đã bão hòa, do đó giới thiệu tiếng ồn hơn, phương pháp của chúng tôi là vẫn có thể xác định các đối tượng nổi bật với chất lượng cao.