關于維基百科內(nèi)容質(zhì)量的研究.pdf

1、維基百科是一種基于Wiki技術的，用不同語言寫成的網(wǎng)絡百科全書。隨著Web2.0技術的快速發(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，并作為科研和工業(yè)研發(fā)中的知識庫所廣泛使用。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，維基百科的數(shù)據(jù)量也呈現(xiàn)著爆發(fā)式的增長。在這種情況下如何保證其提供內(nèi)容的質(zhì)量、準確性和可信度將成為一個亟待解決的問

2、題。本文從這個角度出發(fā)，對維基百科中爭議性的條目和非正常編輯行為進行了挖掘，給出了有效的解決方案。
　　在爭議性條目挖掘的方面，維基百科的一些文章的用戶對同一條目可能持有不同的見解，從而產(chǎn)生對該條目意見上的分歧。發(fā)現(xiàn)此類爭議性并將其解決無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，促使信息的不準確。我們選取了維基百科的編輯歷史作為研究對象，針對編輯歷史中所提供的信息，提取與爭議度有關的元數(shù)據(jù)。這種形式相較于傳統(tǒng)的針對文本

3、自身的挖掘形式更具效率和可操作性。在對爭議度進行評分時，除了從文章自身角度分析之外，我們引入與用戶角色結合的方式計算文章的爭議度得分。并給出對應的排序模型來研究這類用戶的有效性。在爬取得到的維基百科數(shù)據(jù)集上對本文的方法進行了實驗，結果與其他基準模型相比有所提升，從而驗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，耗費資源等缺點，為了提高維基百科的內(nèi)容質(zhì)量，保證用戶的體驗，基于機器學習

4、的反惡意修改方法開始被應用于這個領域。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，從而增加了運算的復雜度降低了效率。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題。在本文中，我們引入了特征變換技術來分析現(xiàn)有的特征，并提出了一種基于特征變換來整合已有特征從而實現(xiàn)惡意行為挖掘的方法。在公開數(shù)據(jù)集PAN-WVC-10上的實驗結果證明了本文所提出的方法的有效性