Андрей

1. Ввел бы функцию штрафа, включающую а) штраф за расстояние между ближайшими городами (квадратично или еще сильнее возрастающую от расстояния) и б) за "невключение" существующего города (возрастающую от его населения).
2. Взял бы базу из 10К-20К существующих городов.
3. Применил бы какой-либо алгоритм оптимизации функции штрафа за счет изменения выборки. Лично мне кажется, что отлично подошло бы семейство генетических алгоритмов.

Если кол-во данных позволяет, посчитайте кол-во общих пользователей "С" между анализируемым запросом и референсным. Если длина исходных выборок (25 в Вашем примере) может сильно варьироваться (обозначим "N[0]" для анализируемой и "N[i]" для референсной), то наверное имеет смысл это число еще и отнормировать, например, "2*C/(N[0]+N[i])" или "C/SQRT(N[0]*N[i])" или "С/N[0]+C/N[i]".

Если кол-во данных не позволяет ("С" статистически близко к "0"), то возможно будет оправданно "расширить круг" исследуемого запроса и референсного, включив в их выборки (естественно уже с весами, отражающими частоты) другие запросы, которыми интересовались люди, которые интересовались исследуемым и референсным запросами (порознь). Пройдет ли такой маневр - зависит от предметной области, то есть семантических связей между пользователями и запросами.

Задача отклонения статьи от корпуса. Решается буквально одной формулой при наличии готовых корпусов по тематике (а они у Вас есть, как я понимаю) :

habrahabr.ru/post/204104
(вместо НКРЯ - тематическая выборка уже классифицированных статей,
вместо Хабра - конкретная изучаемая статья)

Могу предложить программный код, к сожалению на ретро-языке.

Для data-mining нужны большие массивы информации "под рукой". Отталкивайтесь при выборе темы в первую очередь от этого.

- поиск заражений ботнетами по логам корпоративного прокси сервера
- анти-спам
- поиск нехарактерной активности пользователей корпоративной сети
- выявление авторства (идентификация анонимного автора) на интернет-форумах
- поиск зависимостей между новостями на информационных лентах и/или реальными событиями
- прогнозирование любых обменных курсов на основании новостных сайтов
- поиск зависимостей между действиями пользователей в социальных сетях или блогах

в общем фантазия при таких вводных, как у Вас, фактически не ограничена

David J. Sheskin Handbook of Parametric and Nonparametric Statistical Procedures

habrahabr.ru/qa/11813/