常天舒，林鴻飛

(1.大連理工大學(xué) 信息檢索實(shí)驗(yàn)室，遼寧 大連 116024)

1 引言

維基模式與其相關(guān)的Web 2.0技術(shù)可能帶來的信息革命的新浪潮，其影響力已經(jīng)滲透到各類與互聯(lián)網(wǎng)相關(guān)的產(chǎn)品與服務(wù)中，更為學(xué)術(shù)界其他領(lǐng)域的研究提供了參考與信息獲取的平臺(tái)。Wiki是一種采用“多人協(xié)作”模式的超文本協(xié)作系統(tǒng)。2001年1月，由Jimmy Wales和Larry Sanger創(chuàng)建的維基百科英文版開始運(yùn)行。截止2010年3月，英文維基百科已經(jīng)擁有320萬個(gè)條目，成為條目數(shù)最多的語言版本，除英文外，還包含了其他多達(dá)271種語言，總條目數(shù)達(dá)到1 500萬個(gè)，總注冊(cè)用戶超過2 200萬人，總編輯次數(shù)突破8.6億次。維基百科各語言版本發(fā)展并不均勻，其中條目總數(shù)前15名的語言版本占總條目的71%[1]。一項(xiàng)由Nature雜志于2005年的調(diào)查數(shù)據(jù)顯示，維基百科中科學(xué)技術(shù)相關(guān)主題的準(zhǔn)確程度與大不列顛百科全書中的對(duì)應(yīng)詞條基本一致[2]。

隨著維基百科中文章和貢獻(xiàn)者數(shù)目的不斷增長(zhǎng)，越來越多的爭(zhēng)議也隨之出現(xiàn)。如圖1所示，用戶Gogo Dudo 與用戶Fanforclark13反復(fù)將對(duì)方修改的版本進(jìn)行回滾操作，互相堅(jiān)信自己的觀點(diǎn)正確，這就是一種典型的爭(zhēng)議現(xiàn)象。

圖1 維基百科中爭(zhēng)議性的例子，用戶Gogo Dudo 與 用戶FanforClark13之間的爭(zhēng)議

互聯(lián)網(wǎng)社區(qū)結(jié)構(gòu)中的沖突是一種復(fù)雜的現(xiàn)象，即使它經(jīng)常被認(rèn)為是一種負(fù)面的效應(yīng)，但同時(shí)它也存在正面的影響[3]。文章中用戶因意見或觀點(diǎn)不同所表現(xiàn)出的沖突體現(xiàn)在文章的編輯歷史中，我們稱之為文章的沖突結(jié)構(gòu)。包含較多沖突結(jié)構(gòu)的文章，我們稱為爭(zhēng)議性文章或爭(zhēng)議性條目(Controversial article)。若一篇文章中具有更多的爭(zhēng)論發(fā)生，則認(rèn)為該文章具有較大的爭(zhēng)議性。維基百科為使用者提供了多種標(biāo)注爭(zhēng)議性的工具，包括標(biāo)簽(Tag)，類別(Category)和維基百科爭(zhēng)議性文章列表(Wikipedia list of controversial articles)。從眾多的維基百科條目中發(fā)現(xiàn)這些爭(zhēng)議性較強(qiáng)的條目有著重要且深遠(yuǎn)的意義[4]。

? 出現(xiàn)在維基百科文章中的爭(zhēng)議通常是現(xiàn)實(shí)世界的真實(shí)反映。發(fā)現(xiàn)維基百科中的爭(zhēng)議性文章有助于民眾和學(xué)術(shù)研究者更好地理解現(xiàn)實(shí)世界中的爭(zhēng)論;

? 快速且高效地發(fā)現(xiàn)維基百科中爭(zhēng)議性條目可以幫助編輯者和貢獻(xiàn)者更快地定位相應(yīng)的條目，從而對(duì)爭(zhēng)議性問題進(jìn)行處理并解決;

? 爭(zhēng)議性條目往往是近期或長(zhǎng)期以來持續(xù)引起關(guān)注的話題，能夠迅速且有效地定位這些條目將會(huì)對(duì)熱點(diǎn)話題追蹤等應(yīng)用有著重要意義。

維基百科自身雖然提供了爭(zhēng)議性文章列表，但只是將用戶顯示標(biāo)注為“Controversial”的文章列入其中，除這些文章外，仍然存在大量未被標(biāo)注的爭(zhēng)議性文章。本文通過文章—用戶爭(zhēng)議度結(jié)合的方式，利用編輯歷史中所提供的元數(shù)據(jù)，對(duì)爭(zhēng)議性條目根據(jù)其爭(zhēng)議度得分進(jìn)行排序，從而發(fā)現(xiàn)爭(zhēng)議性較強(qiáng)的文章，為維基百科發(fā)現(xiàn)并解決爭(zhēng)議提供可供參考的解決方案。本文的主要貢獻(xiàn)如下：

? 本文對(duì)當(dāng)前爭(zhēng)議性發(fā)現(xiàn)的若干方法進(jìn)行了探索和深入研究；

? 利用已有的文章—用戶爭(zhēng)議度迭代計(jì)算框架，即考慮文章的爭(zhēng)議度得分的同時(shí)，引入相應(yīng)文章貢獻(xiàn)者的爭(zhēng)議度得分，對(duì)文章的爭(zhēng)議度進(jìn)行預(yù)測(cè)；

? 本文在研究并分析維基百科編輯歷史的基礎(chǔ)上，定義了一類特別的用戶，即強(qiáng)爭(zhēng)議性用戶，并對(duì)這一特定用戶群在發(fā)現(xiàn)爭(zhēng)議性的問題的重要性進(jìn)行了探索和實(shí)驗(yàn)。

本文后續(xù)部分的組織結(jié)構(gòu)為： 第2節(jié)敘述相關(guān)工作，介紹相關(guān)領(lǐng)域的研究現(xiàn)狀和主要方法；第3節(jié)介紹強(qiáng)爭(zhēng)議度用戶這一新的概念;第4節(jié)重點(diǎn)介紹爭(zhēng)議性排序模型的基本理論和本文主要提出的爭(zhēng)議度排序模型；第5節(jié)敘述本文的實(shí)驗(yàn)部分，將本文提出的改進(jìn)的爭(zhēng)議度排序模型與其他模型進(jìn)行對(duì)比及分析；第6節(jié)對(duì)本文進(jìn)行總結(jié)，提出未來的研究方向。

2 相關(guān)工作

維基百科中爭(zhēng)議性文章的發(fā)現(xiàn)是一項(xiàng)新的同時(shí)兼具挑戰(zhàn)性的研究課題，至今專門從事這方面研究的學(xué)者和相應(yīng)的學(xué)術(shù)成果并不多。從事該領(lǐng)域的學(xué)者早期主要將更多的精力放在維基百科特色條目或文章自身質(zhì)量的評(píng)價(jià)上[5-7]。

維基百科中爭(zhēng)議性文章的研究最早來源于對(duì)維基百科中用戶間的協(xié)同網(wǎng)絡(luò)和沖突結(jié)構(gòu)的研究，A. Kittur[8]首次將發(fā)現(xiàn)爭(zhēng)議性文章作為研究沖突結(jié)構(gòu)的媒介引入到對(duì)維基百科的研究中。通過對(duì)維基百科提供的全局信息，文章相關(guān)信息，用戶相關(guān)信息等幾個(gè)層面的研究，分析并總結(jié)出若干對(duì)沖突結(jié)構(gòu)直接相關(guān)的影響因素。用戶通過機(jī)器學(xué)習(xí)的方法，利用維基百科中已經(jīng)標(biāo)記為“Controversial”文章作為訓(xùn)練集訓(xùn)練SVM分類器，預(yù)測(cè)潛在的爭(zhēng)議文章。A. Kittur在文章層面的研究發(fā)現(xiàn)影響文章沖突度的積極因素和消極因素。與此同時(shí)，該文章通過Revert-Graph將用戶之間用Revert信息聯(lián)系起來，直觀的展現(xiàn)了用戶間的沖突結(jié)構(gòu)。這篇文章從文章本身和用戶角度為后續(xù)的爭(zhēng)議性文章相關(guān)研究提供了諸多極具價(jià)值的參考因素。但用戶層面所考慮的因素只有單一的revert信息，顯得并不全面，更多相關(guān)可用信息有待挖掘。

U. Brandes[9]為分析研究維基百科中協(xié)同結(jié)構(gòu)，在文章中定義了編輯網(wǎng)絡(luò) (Edit network) 這種結(jié)構(gòu)，來描述維基百科中文章與用戶之間的關(guān)系。文章通過對(duì)這種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行可視化并計(jì)算其兩極化得分來作為文章最終的爭(zhēng)議度得分，其研究貢獻(xiàn)在于首次將用戶對(duì)文章的增刪量化，片面性在于只考慮了文章的兩極化結(jié)構(gòu)，對(duì)存在多級(jí)沖突結(jié)構(gòu)的文章分析誤差較大，另一方面，對(duì)增刪量化的同時(shí)，增加了算法的復(fù)雜度。U. Brandes[10]隨后又提出一種修訂版網(wǎng)絡(luò) (Revision network), 認(rèn)為對(duì)同一篇文章相鄰的兩次修改可以作為衡量?jī)蓚€(gè)用戶之間存在沖突的標(biāo)準(zhǔn)，時(shí)間間隔越短，則沖突度越大。R. Jesus[11]利用社會(huì)網(wǎng)絡(luò)分析的方法識(shí)別和發(fā)現(xiàn)爭(zhēng)議性文章中的用戶和文章簇。

B.-Q. Vuong[4]首次直接研究維基百科中的爭(zhēng)議性文章，作者不僅考慮到文章的爭(zhēng)議度得分，同時(shí)也將用戶的爭(zhēng)議度得分考慮在內(nèi)，利用相互增強(qiáng)原理得到了較好的效果。本文的主要工作就是基于Vuong提出的迭代爭(zhēng)議度計(jì)算框架，引入新的特征，進(jìn)而提出更有效的爭(zhēng)議性文章發(fā)現(xiàn)算法。

3 關(guān)于強(qiáng)爭(zhēng)議性的若干定義

維基百科為參與者提供自由的編輯平臺(tái)，每一篇維基百科中的文章都有一個(gè)最初的創(chuàng)建者，創(chuàng)建者為相應(yīng)的詞條撰寫第一個(gè)版本的描述。此后，任何參與者均可以完善詞條為目的在原文的基礎(chǔ)上進(jìn)行修改，修改一旦經(jīng)管理員審核通過，新的版本將被采用來替代舊版本作為該詞條的描述頁面。同時(shí)，兩個(gè)版本的內(nèi)容和相關(guān)修改信息都會(huì)被保留下來，以供用戶恢復(fù)原版本或進(jìn)行回滾操作。我們的研究就是基于這種優(yōu)良的維基平臺(tái)機(jī)制所提供的信息，根據(jù)以上描述，我們給出若干關(guān)于強(qiáng)爭(zhēng)議性的定義如下。

定義1交互假設(shè)R是文章r的所有版本的集合，ri和ri-1是R中兩個(gè)相鄰的版本，用戶v是版本ri-1的用戶，用戶u是版本ri的用戶。由ri和ri-1的先后順序可知，用戶u修改了用戶v的版本，這種用戶u對(duì)用戶v的版本進(jìn)行的修改行為稱為一次交互(Revise)。

定義2強(qiáng)爭(zhēng)議性用戶在文章rk中，若存在用戶ui和uj，他們之間的交互次數(shù)(Revise Count, RC)滿足公式(1)的限制條件：

即用戶ui對(duì)用戶uj的版本進(jìn)行過不止一次的修改操作，此時(shí)，稱用戶ui為強(qiáng)爭(zhēng)議性用戶。在這里我們?nèi)绻x擇閾值為1，則所有用戶均滿足條件，所以沒有意義，而如果選擇大于2的閾值，將會(huì)極大的縮小強(qiáng)爭(zhēng)議用戶的規(guī)模，從而影響實(shí)驗(yàn)效果，所以這里我們選取一個(gè)可選范圍內(nèi)滿足條件的最小值來進(jìn)行有效性的驗(yàn)證。

在對(duì)維基百科爭(zhēng)議性文章進(jìn)行的早期研究中，很少有學(xué)者將文章中的不同貢獻(xiàn)者區(qū)別對(duì)待，而是將用戶的爭(zhēng)議度體現(xiàn)在對(duì)他們貢獻(xiàn)度的計(jì)算中。如計(jì)算用戶回滾的次數(shù)[8]，作為衡量其爭(zhēng)議度的一個(gè)標(biāo)準(zhǔn)，這種情況下往往存在著管理員維護(hù)維基百科正常秩序的原因，回滾操作并非是由用戶的爭(zhēng)議性或文章的爭(zhēng)議性引起的，而是由一些惡意用戶的修改導(dǎo)致的常規(guī)維護(hù)行為。與此同時(shí)，執(zhí)行回滾操作的用戶也并非全部都是管理員或維護(hù)人員，現(xiàn)實(shí)中往往包含大量的維基百科用戶，他們自發(fā)的維護(hù)行為是不易識(shí)別的。除此之外，還有基于用戶刪除比例的爭(zhēng)議度計(jì)算模型[4,9]，即通過用戶刪除行為所產(chǎn)生的貢獻(xiàn)占用戶所有貢獻(xiàn)的比例來衡量用戶的爭(zhēng)議度。這種計(jì)算方式看似更合乎邏輯，但取得的效果并不是很好。本文引入對(duì)用戶爭(zhēng)議性的分析，在計(jì)算文章爭(zhēng)議度時(shí)，剔除普通用戶可能會(huì)對(duì)文章爭(zhēng)議性計(jì)算所起到的負(fù)面影響，降低雜音，強(qiáng)調(diào)爭(zhēng)議性用戶的作用。

4 文章爭(zhēng)議度排序模型

4.1 互增強(qiáng)理論

通常情況下的用戶與項(xiàng)目的迭代計(jì)算采用的相互激勵(lì)的原則，即被高分用戶標(biāo)注的對(duì)應(yīng)項(xiàng)目理應(yīng)得到更高的分?jǐn)?shù)，如此反復(fù)迭代，強(qiáng)者更強(qiáng)，弱者更弱。在考慮爭(zhēng)議性這一特殊屬性時(shí)，這一原則將不再適用。用戶與爭(zhēng)議度的關(guān)系，滿足如下的互增強(qiáng)原則(Mutual Reinforcement Principle)。具體包含兩條規(guī)則：

規(guī)則1若文章中的爭(zhēng)論多發(fā)生在爭(zhēng)議度較低的用戶間，則該文章具有高的爭(zhēng)議程度。

規(guī)則2若用戶參與更多爭(zhēng)議度較低的文章中的爭(zhēng)論，則該用戶具有較高的爭(zhēng)議程度。

該理論恰當(dāng)?shù)慕沂玖擞脩襞c文章爭(zhēng)議性之間的關(guān)系。如果詞條自身就具有較高的爭(zhēng)議程度，它理應(yīng)吸引更多的參與者發(fā)表不同的看法，其中不乏那些不易與人發(fā)生沖突的參與者。同理，如果用戶本身易發(fā)生沖突，則有很大概率他也會(huì)在低爭(zhēng)議性的文章中發(fā)生沖突，這些沖突并不能有力地說明該文章的爭(zhēng)議性。

4.2 基于統(tǒng)計(jì)量的模型與Controversial Rank Model

本節(jié)給出基于統(tǒng)計(jì)量的簡(jiǎn)單統(tǒng)計(jì)模型，同時(shí)給出用戶與文章迭代計(jì)算爭(zhēng)議度的基本方法和框架，并作為本文提出的模型的基礎(chǔ)和改進(jìn)的對(duì)象。

最直觀的用來評(píng)價(jià)文章爭(zhēng)議程度的方法就是利用文章的版本數(shù)目或參與其中的用戶數(shù)目來衡量文章的爭(zhēng)議程度。公式(2)中Revision Model和公式(3)中的Contributor Count Model為計(jì)算文章爭(zhēng)議度的排序模型。

然而，這兩種簡(jiǎn)單的計(jì)算方法存在著明顯的缺陷。發(fā)生在用戶間的爭(zhēng)論或質(zhì)疑是最能夠體現(xiàn)文章爭(zhēng)議性的因素，而這種爭(zhēng)論或質(zhì)疑明顯不能通過文章的版本多少或參與者的多少衡量，它們不能很好的識(shí)別出爭(zhēng)論結(jié)構(gòu)。一些惡意用戶更可以通過多次修改文章來增加版本數(shù)目，進(jìn)而提高文章的爭(zhēng)議性，達(dá)到某種目的。同理，基于貢獻(xiàn)者數(shù)目的模型同樣也不是很可取的，通過這種評(píng)分方式很容易將高質(zhì)量的維基百科特色文章定義為爭(zhēng)議性文章。

Controversial Rank Model(CR-Model)是B.-Q. Vuong等在文獻(xiàn)[4]中根據(jù)互增強(qiáng)理論得到的一種表現(xiàn)最好的爭(zhēng)議性排序模型CR-Model，通過分別定義用戶與文章的爭(zhēng)議度，迭代計(jì)算文章的爭(zhēng)議性。式(4)和式(5)分別定義了CR-Model中文章和用戶爭(zhēng)議度的計(jì)算公式。

4.3 強(qiáng)爭(zhēng)議性用戶的爭(zhēng)議度排序模型

在關(guān)注文章爭(zhēng)議度時(shí)，我們考慮將強(qiáng)爭(zhēng)議性用戶的交互爭(zhēng)議度作為衡量文章爭(zhēng)議性的標(biāo)準(zhǔn)，就得到了強(qiáng)爭(zhēng)議性用戶的排序模型(High Controversial Contributor Model, HC-Model),式(6)和式(7)分別給出了HC-Model中文章爭(zhēng)議度和用戶爭(zhēng)議度的計(jì)算公式。

公式(6)中的，計(jì)算文章爭(zhēng)議度得分時(shí)，只考慮文章中強(qiáng)爭(zhēng)議性用戶的貢獻(xiàn)值，oik和ojk為強(qiáng)爭(zhēng)議性用戶在文章rk中的貢獻(xiàn)值，Age(rk)為版本數(shù)的正比例函數(shù)，如公式(8)中所示。為使得到的文章爭(zhēng)議度得分在0到1之間，使用強(qiáng)爭(zhēng)議性用戶的最大貢獻(xiàn)值進(jìn)行歸一化。

revk為文章rk中的版本總數(shù)，avg為文章revk的平均值，乘以系數(shù)-0.001使得該函數(shù)值在0到1之間具有很大的區(qū)分度。公式(7)中計(jì)算用戶爭(zhēng)議度時(shí)，H(i,k)為一個(gè)二值函數(shù)，當(dāng)用戶ui為文章rk中的強(qiáng)爭(zhēng)議性用戶時(shí)，函數(shù)值為1，否則為0。

4.4 結(jié)合強(qiáng)爭(zhēng)議性用戶的改進(jìn)CR-Model

我們將強(qiáng)爭(zhēng)議性用戶的思想與B.-Q. Vuong等提出的基于刪除貢獻(xiàn)比的CR-Model進(jìn)行融合，引入強(qiáng)爭(zhēng)議性用戶的概念。于是得到了基于強(qiáng)爭(zhēng)議性排序模型(High Controversial Rank Model， HCR-Model)。HCR-Model中文章爭(zhēng)議度得分的計(jì)算仍采用CR-Model的計(jì)算方法。而用戶爭(zhēng)議度的計(jì)算則采用HC-Model中為強(qiáng)爭(zhēng)議性用戶設(shè)計(jì)的爭(zhēng)議度得分計(jì)算公式，公式(9)和公式(10)分別為HCR-Model中文章爭(zhēng)議度得分和用戶爭(zhēng)議度得分的計(jì)算方式。

上述模型中，我們雖然分別給出了用戶與文章爭(zhēng)議度的計(jì)算方式和相應(yīng)的理論模型。但本文旨在發(fā)現(xiàn)維基百科中的爭(zhēng)議性文章，所以，本文并未對(duì)用戶爭(zhēng)議度計(jì)算的準(zhǔn)確性加以考量，而是通過融入用戶爭(zhēng)議度計(jì)算模型后得到相應(yīng)的文章爭(zhēng)議性加以評(píng)價(jià)。

5 實(shí)驗(yàn)設(shè)計(jì)與分析

5.1 數(shù)據(jù)集

維基百科的數(shù)據(jù)量非常龐大，完整的維基百科編輯歷史文件大小在TB級(jí)別以上。針對(duì)所研究的問題規(guī)模，我們選擇了維基百科數(shù)據(jù)集enwiki-20080103-pages-meta-history.xml的一個(gè)子集。經(jīng)整理后，可以從每個(gè)版本的記錄中獲取如圖2所示的屬性信息。其中主要包括版本號(hào)、標(biāo)題、版本的用戶、版本的分類信息、用戶評(píng)論信息和次要性標(biāo)志。通過這些屬性，我們可以得到同一文章中不同版本間的修改信息。

我們從該數(shù)據(jù)集中抽取了所有宗教類共計(jì)16 745篇文章截止2008年1月的所有版本信息作為實(shí)驗(yàn)語料。與此同時(shí)，我們從維基百科網(wǎng)站的list of Controversial Articles頁面中下載了宗教類共651篇文章的標(biāo)題信息，其中有76篇文章出現(xiàn)在實(shí)驗(yàn)數(shù)據(jù)集中。這76篇文章是經(jīng)過龐大的維基百科用戶群體及維基百科管理員所認(rèn)可的爭(zhēng)議性文章，我們將以這76篇文章作為檢驗(yàn)標(biāo)準(zhǔn)，來驗(yàn)證各個(gè)模型的表現(xiàn)。

圖2 每個(gè)維基百科文章版本中的屬性信息

5.2 評(píng)價(jià)方法

實(shí)驗(yàn)的基本任務(wù)可以看作是從16 745篇文檔構(gòu)成的文檔集合中檢索到76篇爭(zhēng)議性(相關(guān))文檔的任務(wù)，這與信息檢索的過程頗為類似，因此，我們選取信息檢索中常用的NDCG值來進(jìn)行評(píng)價(jià)。由于76篇爭(zhēng)議性文章并未有先后順序之分，所以本文選取二值相關(guān)性來進(jìn)行計(jì)算，相關(guān)為1，否則為0。式(11)定義了NDCG@k，為：

NDCG@k表征從結(jié)果排序位置p=1到p=k的貢獻(xiàn)量，其中當(dāng)位置p的文檔為76篇標(biāo)準(zhǔn)文章之一時(shí)，relp=1，否則為0。Z為理想情況下的排序DCG值，作為歸一化常量存在。理想情況下的排序結(jié)果就是將76篇文檔排在最前面。

5.3 實(shí)驗(yàn)結(jié)果及分析

圖3所示為HC-Model、 HCR-Model和CR-Model、 Revision Model、 Contributor Count Model在NDCG@5分值上的表現(xiàn)，可以看出只考慮強(qiáng)爭(zhēng)議性用戶的HC-Model在NDCG@k的表現(xiàn)較好，甚至優(yōu)于CR-Model。這說明我們考慮強(qiáng)爭(zhēng)議性用戶這一思想對(duì)于發(fā)現(xiàn)文章中的沖突結(jié)構(gòu)是有積極作用的。本組實(shí)驗(yàn)結(jié)果表現(xiàn)最優(yōu)的為HCR-Model，即將對(duì)用戶的強(qiáng)爭(zhēng)議度計(jì)算與其他計(jì)算文章爭(zhēng)議度的方法結(jié)合起來，使得用戶的爭(zhēng)議程度得到區(qū)分，突出爭(zhēng)議性較強(qiáng)的用戶，并強(qiáng)化他們對(duì)文章的爭(zhēng)議度影響，進(jìn)而取得更好的結(jié)果。

整體趨勢(shì)上本文所提出的HCR-Model和HC-Model較CR-Model的效果有所提升，但不難看出，HCR-Model對(duì)排名靠前的文檔表現(xiàn)尤為突出。究其原因，是由強(qiáng)爭(zhēng)議性用戶自身的稀疏性所決定的。表1所示為數(shù)據(jù)集中強(qiáng)爭(zhēng)議性用戶和含有強(qiáng)爭(zhēng)議性用戶所參與交互的文章數(shù)目。不難看出，在所有四十多萬名用戶中，只有4.05%的用戶為強(qiáng)爭(zhēng)議性用戶。而所有16 745篇文檔中，只有29.7%的文檔含有這種強(qiáng)交互行為。正是由于強(qiáng)爭(zhēng)議性本身的稀疏性，導(dǎo)致少數(shù)強(qiáng)爭(zhēng)議性的文章受到更多的重視，使得更多的強(qiáng)爭(zhēng)議性文檔排在前面。HCR-Model的返回結(jié)果中，76篇爭(zhēng)議性文章中81.6%的文檔都囊括在返回結(jié)果的1 000名之內(nèi)。得到較高的召回率，這也是我們所希望看到的結(jié)果。

圖3 HC-Model、 HCR-Model、CR-Model、Revision Model、Contributor Count Model在NDCG@k上的結(jié)果

TypeTotalHCCinvolvedRatio/%Author448673181654.05Article16745498229.7

由于涵蓋16 745篇文章的數(shù)據(jù)集中，只有76篇文章被標(biāo)記為相關(guān)文檔，所以，當(dāng)k增大到一定程度后，所出現(xiàn)的相關(guān)文檔越來越少，而作為基數(shù)的排序值不斷上升。這將導(dǎo)致當(dāng)k增大到一定程度后，上述模型的NDCG值區(qū)分度將變小，不再能夠明顯的表征模型的性能。因此，本文提供另外一種更為直觀的方式來體現(xiàn)模型在整體性能上的優(yōu)劣。表2～表4為76篇爭(zhēng)議性文章中在HC-Model、 HCR-Model和CR-Model中按先后順序最后出現(xiàn)的10篇，并給出它們?cè)诟髯耘判蚰Ｐ椭兴幍奈恢??？梢钥闯?，HC-Model的最后10篇文檔中，9篇都是在4 000名以內(nèi)的，4篇是3 000名以內(nèi)的，最后一名排在稍差的5 059位。HCR-Model的最后10篇文檔中，7篇是排在4 000名以內(nèi)的，5篇是3 000名以內(nèi)的，甚至有2篇是排在2 000以內(nèi)的，排名最后的文檔在7 504位。而未引入強(qiáng)爭(zhēng)議性用戶的CR-Model則表現(xiàn)較差，最后10篇文檔中，只有6篇排在4 000名以內(nèi)，2篇排在3 000以內(nèi)，最后一篇文檔排到了8 415，基本處于文檔集的二分之一處，即在維基百科發(fā)現(xiàn)所有爭(zhēng)議性文檔時(shí)，可能需要取二分之一的結(jié)果才能找全。

表2 HC-Model的最后10篇文檔

表3 HCR-Model的最后10篇文檔

表4 CR-Model的最后10篇文檔

6 結(jié)論

隨著近年來維基百科的迅速發(fā)展，發(fā)現(xiàn)維基百科爭(zhēng)議性文章作為維基百科研究領(lǐng)域中社會(huì)網(wǎng)絡(luò)分析的一個(gè)分支，得到了迅速的發(fā)展，同時(shí)也兼具更多的挑戰(zhàn)。龐大的維基百科數(shù)據(jù)集往往令研究者望而卻步，本文從維基百科的小部分?jǐn)?shù)據(jù)出發(fā)，以小窺大，通過對(duì)文章用戶群體的研究給出了如何發(fā)現(xiàn)爭(zhēng)議性文章的一種解決方案。

本文的主要貢獻(xiàn)是通過對(duì)維基百科貢獻(xiàn)者行為的分析研究，定義了一類特殊的用戶群體，即強(qiáng)爭(zhēng)議性用戶。他們通過反復(fù)修改同一用戶的行為體現(xiàn)出更強(qiáng)的爭(zhēng)議性，這恰好符合了爭(zhēng)議性文章發(fā)現(xiàn)的關(guān)鍵因素，更多的沖突導(dǎo)致更多的爭(zhēng)議。本文根據(jù)強(qiáng)爭(zhēng)議性用戶這一新的概念，提出了純粹的基于強(qiáng)爭(zhēng)議性用戶行為的HC-Model和HCR-Model。實(shí)驗(yàn)結(jié)果表明，在識(shí)別爭(zhēng)議性文章的過程中，引入強(qiáng)爭(zhēng)議性用戶的概念進(jìn)行建模，可以提高精確度。

在下一階段的研究工作中，強(qiáng)爭(zhēng)議性用戶這一概念將繼續(xù)沿用，我們會(huì)嘗試將這一概念與已經(jīng)存在的表現(xiàn)良好的識(shí)別模型結(jié)合，以用戶為中心，重新設(shè)計(jì)新模型來發(fā)現(xiàn)爭(zhēng)議性文章。

[1] Wikipedia. What is Wikipedia [OL].http://wikipedia.jaylee.cn/.

[2] J Giles. Internet encyclopedias go head to head [OL]. http://www.nature.com/news/2005/051212/full/438 900a.html.

[3] V Franco, R Piirto, H Y Hu, et al. Anatomy of a flame: conflict and community building on the Internet [J]. Tech. and Society Magazine, IEEE, 1995,14: 12-21.

[4] B Q Vuong, E P Lim, A Sun, et al. On ranking controversies in Wikipedia: models and evaluation[C]//Proceedings of the International Conference on Web Search and Web Data Mining (WSDM’08), Palo Alto, California, USA, February 11-12, 2008: 171-182.

[5] N Lipka, B Stein. Identifying featured articles in Wikipedia: writing style matters[C]//Proceedings of International World Wide Web Conferences (WWW’10). Raleigh, North Carolina, USA, 2010: 1147-1148.

[6] B T Adler, L de Alfaro. A content-driven reputation system for the Wikipedia[C]//Proceedings of International World Wide Web Conferences (WWW’07), Banff, Canada, 2007: 261-270.

[7] J E Blumenstock. Size matters: word count as a measure of quality on Wikipedia[C]//Proceedings of International World Wide Web Conferences (WWW’08), Beijing, China, 2008: 1095-1096.

[8] A Kittur, B Suh, B A Pendleton, et al. He says, she says: conflict and coordination in Wikipedia[C]//Proceedings of SIGCHI Conf. Human Factors in Computing Systems, Son Jose, California, USA, 2007: 453-462.

[9] U Brandes, P Kenis, J Lerner, et al. Network analysis of collaboration structure in Wikipedia[C]//Proceedings of International World Wide Web Conferences (WWW’09), Madrid, Spain, 2009: 731-740.

[10] U Brandes, J Lerner. Visual analysis of controversy in contributor-generated encyclopedias [J]. Information Visualization, 2008,11: 34-48.

[11] R Jesus. Bipartite networks of wikipedia’s articles and authors: a meso-level approach[C]//Proceedings of International Symposium on Wikis and Open Collaboration (WikiSym’09). Orlando, Florida, USA, 2009: 1-10.