Wikipedia增长过程中语言的稳健聚类
数字图书馆
2017-10-20 v1 社会与信息网络
数据分析、统计与概率
物理与社会
应用统计
摘要
Wikipedia 是在真正的众包支持下不断增长的现存最大知识库。虽然英文 Wikipedia 是最庞大且研究最深入的，拥有超过五百万篇文章，但对其余 283 个较小规模 Wikipedia 的行为和增长却知之甚少，其中最小的 Afar 语 Wikipedia 只有一篇文章。在此，我们使用该数据的一个子集，包含 14962 篇不同的文章，每篇文章均以 26 种不同的语言存在，从阿拉伯语到乌克兰语。我们研究了这些语言的 Wikipedia 在 15 年的时间跨度内的增长。我们表明，尽管平均而言一篇文章从一种语言随机传播到另一种语言，但存在六个定义明确的 Wikipedia 聚类，它们共享共同的增长模式。正如我们通过四种不同的聚类方法所验证的，这些聚类的构成对于用于确定它们的方法具有显著的稳健性。有趣的是，所识别出的 Wikipedia 聚类与语系和语族几乎没有相关性。相反，不同语言的 Wikipedia 增长受不同因素支配，从文化相似性到信息素养。
引用
@article{arxiv.1709.06556,
title = {Robust clustering of languages across Wikipedia growth},
author = {Kristina Ban and Matjaz Perc and Zoran Levnajic},
journal= {arXiv preprint arXiv:1709.06556},
year = {2017}
}
备注
9 two-column pages, 7 figures; accepted for publication in Royal Society Open Science