關(guān)于維基百科內(nèi)容質(zhì)量的研究.pdf

1、維基百科是一種基于Wiki技術(shù)的，用不同語(yǔ)言寫成的網(wǎng)絡(luò)百科全書。隨著Web2.0技術(shù)的快速發(fā)展，維基百科所收錄的文章數(shù)量和參與編輯的作者數(shù)量日益增多。事實(shí)證明其中大部分的信息都是可信的，為廣大互聯(lián)網(wǎng)用戶提供了方便的內(nèi)容服務(wù)，并作為科研和工業(yè)研發(fā)中的知識(shí)庫(kù)所廣泛使用。然而由快速發(fā)展而引起的信息和數(shù)據(jù)膨脹正在引起業(yè)界的重視，同時(shí)，維基百科的數(shù)據(jù)量也呈現(xiàn)著爆發(fā)式的增長(zhǎng)。在這種情況下如何保證其提供內(nèi)容的質(zhì)量、準(zhǔn)確性和可信度將成為一個(gè)亟待解決的問(wèn)

2、題。本文從這個(gè)角度出發(fā)，對(duì)維基百科中爭(zhēng)議性的條目和非正常編輯行為進(jìn)行了挖掘，給出了有效的解決方案。
　　在爭(zhēng)議性條目挖掘的方面，維基百科的一些文章的用戶對(duì)同一條目可能持有不同的見(jiàn)解，從而產(chǎn)生對(duì)該條目意見(jiàn)上的分歧。發(fā)現(xiàn)此類爭(zhēng)議性并將其解決無(wú)疑將保證維基百科的內(nèi)容質(zhì)量，避免因任何用戶的偏激行為，促使信息的不準(zhǔn)確。我們選取了維基百科的編輯歷史作為研究對(duì)象，針對(duì)編輯歷史中所提供的信息，提取與爭(zhēng)議度有關(guān)的元數(shù)據(jù)。這種形式相較于傳統(tǒng)的針對(duì)文本

3、自身的挖掘形式更具效率和可操作性。在對(duì)爭(zhēng)議度進(jìn)行評(píng)分時(shí)，除了從文章自身角度分析之外，我們引入與用戶角色結(jié)合的方式計(jì)算文章的爭(zhēng)議度得分。并給出對(duì)應(yīng)的排序模型來(lái)研究這類用戶的有效性。在爬取得到的維基百科數(shù)據(jù)集上對(duì)本文的方法進(jìn)行了實(shí)驗(yàn)，結(jié)果與其他基準(zhǔn)模型相比有所提升，從而驗(yàn)證了基于用戶特性的排序模型的有效性。
　　在惡意行為發(fā)掘的方面，最初的人工發(fā)現(xiàn)模式有著效率低，耗費(fèi)資源等缺點(diǎn)，為了提高維基百科的內(nèi)容質(zhì)量，保證用戶的體驗(yàn)，基于機(jī)器學(xué)習(xí)

4、的反惡意修改方法開(kāi)始被應(yīng)用于這個(gè)領(lǐng)域。然而，這其中的大部分方法均從引入更多類型的特征出發(fā)，不斷挖掘的新特征使得特征集合不斷膨脹，從而增加了運(yùn)算的復(fù)雜度降低了效率。因此，如何在最大程度上利用現(xiàn)有的特征，并充分的挖掘其可用性和有效性就是本文要解決的問(wèn)題。在本文中，我們引入了特征變換技術(shù)來(lái)分析現(xiàn)有的特征，并提出了一種基于特征變換來(lái)整合已有特征從而實(shí)現(xiàn)惡意行為挖掘的方法。在公開(kāi)數(shù)據(jù)集PAN-WVC-10上的實(shí)驗(yàn)結(jié)果證明了本文所提出的方法的有效性