Wikipedia 是个好东东！目前，Wikipedia 上大约有超过 2,000,000 个英文条目，已经成为一部地地道道的百科全书。但由于之前 GFW 作祟，要访问它必须得使用穿墙术，这大大降低了它在国内的影响力。最近沾了奥运会的光，Wikipedia 解封了。
我相信，大多数人都会有这样的印象，“Wikipedia 上的内容是高质量并且可以信赖的”。经常使用 google 的人尤其会这么认为，因为 Wikipedia 的内容经常会出现在 google search 结果的第一页内。随便试验几个例子就可以证明这一点，recommender system，semantic web，或者更 general 一些的，automobile，Olympic。国外有人做过一个实验，结论是，“96.6% of Wikipedia Pages Rank in Google's Top 10”。Wikipedia 的影响力之大，可见一斑。
但实际上，经常使用 Wikipedia 的人们发现， Wikiepedia 上的条目并不像我们想当然认为的那样尽善尽美，它也是鱼龙混杂的。而且要命的是，由于 Wikipedia 百科全书的性质，对于不熟悉的内容，读者很难区分哪些内容是高质量的，哪些又是滥竽充数的。Wikipedia 的管理者已经承认了这一点，并在试图解决这个问题。国外有学者把这个问题引入到了 research 领域，做了不少有意思的工作。
- Measure Wikipedia
- Information Quality Discussions in Wikipedia
- Assessing information quality of a community-based encyclopedia
- Wikipedia Article Quality Assessment and Ranking Tips for Users and Search Engine Engineers
刚刚结束的 WWW2008 会议里有一篇 short paper，《Size Matters: Word Count as a Measure of Quality on Wikipedia》。里面给出了一个令人吃惊的实验结果，在进行 Wikipedia 的文章质量评价时，仅仅只需要使用“Word Count”一个参数，就可以取得 96.31% 的准确率！这个结果，比许多使用复杂模型的算法，都要好！
可以看出来，作者写作这篇 paper 的态度是非常严谨的！但我个人还是认为，对于评价质量这个问题，article length 并不是一个严谨的指标，文章的实验结论似乎仅能说明，使用这个指标得到的结果与 wikipedia 现有数据拟合的更好而已。这篇文章更靠谱的结论应该是，“long articles are featured (good), and featured articles are long”。有这方面实际经验的朋友，欢迎讨论。
Leave a Reply