摘要：[目的/意义]维基百科是世界最有影响力的网络信息资源之一。它积极地开发与图书馆、数据库等专业信息资源的合作,向综合信息中心的方向发展。研究维基百科与图书馆合作的模式与内涵,可以展现信息资源合作与融合的规律,为我国信息资源发展提供参考。[方法/过程]整理维基百科与图书馆的合作实践;总结分析合作与融合的模式和机制;分析信息资源合作的内涵规律。[结果/结论]在信息时代,互联网、网络百科、数据库和图书馆已经形成相对独立的信息内容生产和使用模式。它们之间存在内容生产的内部联系和内容使用的外部规律。根据这种联系和规律,促进网络百科、图书馆等不同模式信息资源之间的合作与融合,不仅可以促进个体信息资源的影响力,也能够从宏观上促进国家信息资源的成功发展。

摘要：在互联网技术高度发达的时代,网络上的学习资源呈现出指数型增长态势,面对各种学习对象、概念之间存在的多样化和无序性,如果能识别出之间的依赖关系,将有可能对计算机教育产生重要影响。针对该问题,提出一种面向维基百科的概念依赖关系识别方法,利用概念在维基百科中的特点,设计出一套识别概念依赖关系模型,在公共数据集上采用基于机器学习的分类算法进行测试。实验结果表明,该模型具有较高准确率和召回率,能够有效发现概念之间的依赖关系。

摘要：维基百科作为当前全球规模最大、影响最广泛的互联网协同知识生产社区,其内容质量问题一直受到各界人士的关注和争论,近年来,来自于学术界各学科领域的相关研究文献也是层出不穷。因此,选取了国内外研究相关问题的重要文献,针对维基百科词条内容质量的研究背景、相关概念、研究对象和评估方法进行总结概述,以期对协同知识生产社区内容质量研究有更加深刻的理解和认识,从而为今后的研究提出合理建议。

摘要：网络百科“知识共享和协作创新的模式”改变了传统百科全书的内容生产过程，不再以传统编辑为中心环节，也打破了知汉原有的传播途径，让知识变得大众化和易于获得，这种新形式能有效减少数字时代带来的知识鸿沟。但是指数暴涨式的词条数量增长，也让学者对其质量提出了一定的质疑．中文维基百科是维基百科的中文写作计划，一直以来都被作为百度百科的对比对象。

摘要：本文介绍了维基百科信息内容评议的主要思想和实现方法,并分析了信息内容评议的优势。针对期刊同行评议中存在的问题,提出将内容评议的思想引入期刊同行评议,对期刊评议进行改进,并详细描述了改进的流程和实施步骤。

摘要：基于互联网平台的大规模用户协作知识生产是一种新颖的知识生产模式,这种模式能够有效利用海量用户的集体智慧,提高知识传播的范围。但是,与传统的知识生产不同,这种生产模式由于参与人员水平参差不齐,内容质量难以保证,针对此种生产模式建立有效的内容质量评估和控制机制问题非常必要。本文采用层次分析方法,以维基百科为实例建立了协同知识生产社区的内容质量评估模型,综合体现用户需求和内容特征,能够为网络内容的质量控制和网络知识平台的建设与运营提供有益的方法支撑。

摘要：提出了一种利用维基百科作为中介层的两阶段查询主题分类模型,对其实现方法做了详细的分析与设计。通过扩展查询获取与查询词主题相关的语义特征,并将查询与分类标签转移桥接在维基目录中以语义相关度判别分类标签,为实际应用提供了一条良好的设计与实现思路。实验结果表明,该方法能够有效解决查询分类中的数据稀疏问题,具有较好的分类准确率与召回率。

摘要：该文提出了一种从维基百科的可比语料中抽取对齐句子的方法。在获取了维基百科中英文数据库备份并进行一定处理后,重构成本地维基语料数据库。在此基础上,统计了词汇数据、构建了命名实体词典,并通过维基百科本身的对齐机制获得了双语可比语料文本。然后,该文在标注的过程中分析了维基百科语料的特点,以此为指导设计了一系列的特征,并确定了"对齐"、"部分对齐"、"不对齐"三分类体系,最终采用SVM分类器对维基百科语料和来自第三方的平行语料进行了句子对齐实验。实验表明:对于语言较规范的可比语料,分类器对对齐句的分类正确率可达到82%,对于平行语料,可以达到92%,这说明该方法是可行且有效的。

摘要：可比语料库由于其自身优势和广泛用途逐渐成为语料库研究的热点方向之一,而目前国内俄汉可比语料库相关研究未见学者涉及。通过梳理国内外相关研究成果,设计了一种基于维基百科构建俄汉可比语料库的思路和方法,研制了语料自动获取系统,以篇章对齐为基础建立了俄汉可比语料库,语料字(词)总数达到了百万级,最后利用跨语言相似度计算的方法对俄汉语料的可比度进行计算。计算结果表明该方法能够有效获取可比度较高的俄汉语料,所构建的语料库可被用于俄汉翻译、话语分析及计算语言学研究中。

摘要：学习资源中的知识概念间的依赖关系决定了每个资源在整个课程中学习顺序.当前主流的概念依赖关系挖掘方法是利用概念自身的特征进行依赖关系的识别.而用户在学习资源中的点击操作日志同样能够预示概念间依赖关系的存在.本文以维基百科为例,提出一种基于点击流的概念依赖关系识别方法,利用维基百科中用户与词条页面的交互信息,设计相关概念集合特征来预测概念间的依赖关系,在实验过程中,为了使分类器能够充分学习不同类别数据,使用过采样方法使训练集类别平衡,观察各度量指标在不同机器学习分类器上的表现,选取最佳的分类器进行后续实验.实验结果表明,本文的方法与当前研究方法相比,既保证了维基百科原始数据具有较高的概念对覆盖率,也能够有效的预测概念间的依赖关系.