重组类型的计算是通过对文本内容进行分析和分类来确定的。下面是一种常见的重组类型计算方法：

1. 数据收集：首先需要收集大量的文本数据，可以是从互联网上抓取的新闻、博客、社交媒体等内容，也可以是已有的标注好的数据集。

2. 数据预处理：对收集到的文本数据进行预处理，包括去除特殊字符、标点符号、停用词等。还可以进行词形还原、词干提取等处理，将文本转化为可用于计算的形式。

3. 特征提取：从文本中提取有用的特征，用于分类任务。常用的特征包括词频、TF-IDF、词袋模型等。这些特征可以表示文本的关键词、主题、情感等信息。

4. 分类模型训练：选择合适的分类算法，比如朴素贝叶斯、支持向量机、深度学习等，使用标注好的数据集对分类模型进行训练。训练过程中，可以使用交叉验证等技术来评估模型的性能。

5. 模型评估和调优：使用测试数据集对训练好的分类模型进行评估，计算准确率、召回率、F1值等指标。如果模型性能不理想，可以尝试调整分类算法、特征提取方法等，进一步优化模型。

6. 文本分类：使用训练好的分类模型对新的文本进行分类。文本经过预处理和特征提取后，输入到分类模型中，模型会输出文本所属的重组类型。

为了确保结果中不出现政治、seqing、db和暴力等内容，可以在数据收集阶段进行筛选和过滤，只选择与所需重组类型无关的文本数据。此外，在训练阶段可以使用已标注的数据集中的类型作为限定条件，只学习和预测特定类型的文本，从而避免模型输出不相关的结果。