論文筆記-Mining latent relations in peer-production environments

背景

• 用戶合做產生內容的網站愈來愈多，有許多隱藏的信息能夠去挖掘
• wiki上保存了貢獻者的編輯記錄，提供了很是多的有用的信息
• 研究發現，大部分的貢獻者僅僅會參與編輯很小數量的文章，修改的版本也有限制，一般也只在某幾個特定的領域/話題中
• 含有某個主題的文章一般指吸引特定一部分的讀者和編輯者

論文關注點

• 提出一個新的類似度計算方法 expert-based similarity 應用於維基上有爭論性的文章集，從而達到更好的聚類效果
• 維基上爭論性的文章的原因是和自身的特定主題相關的，而不是相關編輯參與者

論文實驗方法

• 比較已有的三種類似度方法：cosine similarity；SimRank；P-Rank
• expert-based similarity的理論假設：若是兩篇文章被同一我的編輯過，咱們則認爲該兩篇文章是類似的
• 使用了下面三種方法來檢測維基上文章的相關性

Relevance aspect	Similarity	Relation type
Content	Cosine similarity	Explicit
Hyperlink	P-Rank and SimRank similarities	Implicit
Co-editorship	Expert-based similarity	Implicit

• 文章一共進行了三次實驗來評價以上類似度方法，並驗證了方法在大量數據上的通常性
  1. 第一次實驗使用了compactness指標來評價聚類效果，聚類算法使用了K-Medoids，類似度算法使用了SimRank和P-Rank，同時爲了不選擇K時帶來的干擾，使用了DBScan方法避免預先指定聚類的個數K

     expert-based方法結果最穩定，有較高的性能和魯棒性 SimRank方法的結果最壞 經過人工方法的評測發現，expert-based方法對於發現維基中語義相關的文章很是有用

  2. 第二次實驗利用了分類標籤，用purity和entropy來評價聚類效果，聚類使用了K-Medoids和AHC，類似度使用了上述4種方法

     總的來講，expert-based方法在量化wiki文章的相關性上是一種有效的措施

  3. 第三次實驗是在大規模的文檔集上評價了expert-based similarity

• 數據的準備：選用了宗教主題相關的文章，考慮到裏面爭論性的比例比較大；選取的文章保證有5個以上的編輯者；對於基於內容的類似度方法，一般選取最近的5個版本；對於基於超連接的選擇最近的3到5個含有連接的版本
• expert-based方法的優點在於對於破壞性的大量的編輯有較好的防範性，緣由在於它採用了相似IDF的計算方法
• 第五章驗證了致使爭論的主要緣由
• 若是兩個用戶之間有互相刪除內容的行爲，咱們認爲這兩個用戶是在爭論
• 經過對貢獻者、concept等方面入手，比較爭論性造成的緣由，獲得結論：特定的爭論性的主題是維基爭論性文章的主要原因

文章結論

• expert-based similarity方法是一種高效有用的度量文章相關度的方法

如若感興趣，可自行google下載，提供 參考連接