维基百科

摘要： 在一个专业的课程体系中,课程与课程之间通常有着固定的学习顺序,前导课程中总是包含了一些后续课程所需要的背景知识,这种现象是由不同课程的知识概念间依赖关系引起的.本文提出一种课程概念依赖关系挖掘方法,同时利用课程属性与维基百科属性设计特征,识别课程概念间的依赖关系.为了验证提出方法的有效性,在公开数据集上进行实验,本文方法在各度量指标上表现均优于其它基准方法.在此基础上,利用课程概念依赖关系建立了概念图,通过对比不同大学相同专业的概念图来分析它们的课程体系的差异.

摘要： 源于开源软件的开放运动,在互联网时代迸发出巨大的动力,催生了一股开放科学、开放数据、开放存取、开放创新的社会热潮,开启了开放共享新时代,情报的覆盖率比保密性变得更加重要,在一定机制约束下,情报的开放与情报的共享已经成为安全工作的保障。维基百科、中情局维基(CIA Wiki)、情报维基社区(Intellipedia)等,都成为人们争相利用的重要开源情报源,希望能够最大限度地获得全源情报(All Source Intelligence),因此开源情报(Open Source Intelligence,OSINT)的生成渠道、价值功能、开发利用,成为学界和业界关注的热点问题。

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.

摘要： 医疗问句具有关键词少、主题不明确等特点,导致构造的问句特征词向量维数过大、数据稀疏,影响问句分类的准确性。为了解决此问题,本文提出基于维基百科和深度学习相结合的词向量特征扩展模型,在Word2vec基础上引入维基百科语义相似度ESA算法扩展特征词向量,使得医疗问句分类更加准确。实验数据表明,采用Word2vec与维基百科相融合方法效果好,其准确性、召回率、平衡值分别达到0.912、0.924、0.918,优于传统的词袋模型和Word2vec直接词向量构造方法。

摘要： 据维基百科统计,截至2022年8月,全球约60个国家205个城市开通地铁系统(含地铁、地下铁路或地下线、电气化快轨系统等),见表1[1]。由表可知:1)全球首条地下铁路系统为1863年开始运营的伦敦地铁;2)中国是世界上开通地铁系统最多的国家,其中,上海地铁运营里程突破800 km,网络规模居全球第一。

摘要： 维基百科全书是元宇宙最重要的人机社区之一。人机社会除了可以从“技术政治”视角切入,还可以从“承认政治”视角进行观照。在“皮格马利翁情结”作用之下,维基百科全书中的人机社会经历了技术物承认、共同体承认、政策承认、价值承认四个阶段。虽然不存在人类自我承认和同感共情的心理基础,维基机器人却被赋予了和人类一样的行动目标——编纂一部高质量的维基百科全书。在此目标的指引下,维基人和维基机器人分别担任了不同的社会角色,承担不同的权利和义务,在互补性协作编纂中彼此承认。人机共同体颠覆了以往承认理论立足人类共同体进行思考的现实前提,从“社会角色配合”的视角诠释元宇宙中的人机承认行为,可以进一步拓展承认理论的内涵和适用范围。

摘要： 思维(thinking)在汉语中与思考、思索是同义词或近义词。《词源》中说:“思维就是思索、思考的意思。”从本质上说,思维是人脑对现实事物间接的、概括的加工形式,以内隐或外隐的语言或动作表现出来(维基百科)。通常意义上的思维涉及人的所有认知或智力活动,人通过思维探索与发现事物的内部本质联系和规律性,是认识过程的高级阶段(百度百科)。思维模式(thinking model与“思维方式”的定义并没有多大区别),是一定时代的人们在一定的观念、知识和方法的基础上形成的思维过程中的思维形式、思维方法和思维程序的总和,是一种思维框架,它本质上是人们社会生产和生活的反映。

摘要： 作为世界上第一款Soundbar,Altec Lansing ADA106看起来和现在绝大部分Soundbar相差无几。它诞生于1998年,内置4个3英寸全频单元和两个1英寸高音单元,以及一个8英寸低音单元,同样寄希望于墙面反射声来形成环绕声效果(资料来源于维基百科)。在它之后,各大音响品牌的Soundbar轮番登场。它们大小不一,配色各异,但始终以不容忽视的条形箱体出现。

摘要： 维基百科全书存在着一个群体性、自组织的线上社区.在这个社区中,不仅活跃着众多来自不同国家、民族、文化和语言背景的人类群体,还存在着大量功能、地位、目的 和职责彼此不同的机器人群体.这些人类和机器人共同维护着维基社区,通过撰写、修改、讨论、斗争、妥协和配合等一系列编纂行为全面提升维基百科全书条目的 质量.在这一过程中,机器人不仅是人类力量的增强器,还是拥有独立账户的行动者.它们一方面被人类用户设置了严格的编辑门槛,另一方面依靠虚拟空间赋予的"生理"权力、维基社区赋予的"身份"权力、维基平台赋予的算法权力,在生产、保存、分类、分配知识的过程中,生成了机器自身独特的认知经验,同时逐渐消解着"人类中心主义".

摘要： 按照维基百科的说法,信念是一种态度,认为某些事情是真实的,或者关于世界的某些命题是真实的。在认识论中,哲学家用"信念"一词来指关于世界的态度。这些态度可以是真的,也可以是假的。每个人的信念往往并不足够明确或者精确,但是它可能影响甚至决定人关于世界的主观看法。

摘要： 本文将通过将维基百科的分类系统整理与分析并与中图法进行相关方面的比较分析,全面了解维基百科的分类系统,深入认识其分类特点,以便更好的实现资源的有效利用,并在此基础上分析其分类优势,为传统分类法的发展提供可以借鉴的发展方向.提出二者之间类目设置依据及揭示角度不同，类目数量具有差异，类目间关系不同。

摘要： 提出了一种基于维基百科的汉日双语命名实体对自动获取方案。基本思想是先从维基百科中抽取汉日双语标题对作为训练数据，训练一个统计机器翻译系统；rn 再抽取汉语或者日语的单语标题，通过翻译得到目标语言的翻译结果；然后，使用互联网对翻译结果进行自动查错；自动查错后的双语实体对抽取结果，抽取双语对中日语或汉语的每个条目的首段内容的主要特征，与条目的分类信息一起作为最大熵模型训练数据的特征集合，对命名实体进行词性标注，获得最终的双语命名实体对；通过反馈处理扩大统计机器翻译和最大熵模型的训练集合，不断提高翻译精度。实验结果表明，词性标注准确率达91.131％，翻译结果的BLEU和NIST均值分别达到0.8688和13.7564。

摘要： 本文提出了一种基于维基百科和模式聚类的方法,旨在从开放文本中抽取高准确率的中文关系实体对.首次使用从人工标注知识体系知网到维基百科实体映射的方式获取关系实例,并且充分利用了维基百科的结构化特性,该方法很好地解决了实体识别的问题,生成了准确而显著的句子实例;进一步,提出了显著性假设和关键词假设,在此基础上构建基于关键词的分类及层次聚类算法,显著提升了模式的可信度.实验结果表明该方法有效提升了句子实例及模式的质量,获得了良好的抽取性能.

摘要： 针对信息检索中文档与查询之间的词不匹配问题，研究者们提出了许多有效的解决方法，其中，查询扩展是一种非常重要的技术手段。本文提出了一种基于维基百科的查询扩展方法。通过对此方法在IR4QA系统中的表现分析，表明对于某些特定类型的问题，该方法可以使查准率有一定的提高。

摘要： 人物属性抽取是人名搜索引擎和社会关系网络构建的重要基础。本文提出了一种从维基百科中自动获取人物属性的方法。该方法利用人物类维基文本现有信息盒中的“人物姓名-属性-值”三元组关系，对给定的每个属性，将人物姓名和属性值标记到维基自由文本中，自动生成带标注的数据集。利用该数据集使用机器学习的方法自动生成模板，通过模板匹配从维基文本中获取更多的属性信息，同时也达到了生成完整的信息盒的目的。rn 实验证明，该方法可以有效的抽取出人物的属性。

摘要： 维基百科作为一部资源共享的百科全书,其信息抽取的有效性和准确性在学术和应用领域都备受关注.基于维基百科的文本聚类方法更是成为研究热点,并且取得了一系列初步成果.本文总结了文本聚类的相关问题,结合文本聚类的一般过程分析了维基百科的信息挖掘方法和其文本聚类形式对维基百科内容质量的影响,最后总结了维基百科文本聚类方法存在的问题以及未来的发展方向.

摘要： 现在的法学院学生正越来越多地在自己的学期论文中使用诸如维基百科等公开的互联网信息资源作为脚注。法院也在自己的权威性司法意见中援引维基百科上的内容。同样的,法学教授们在专业杂志上所发表的论文中也如法炮制。但有一些法学团体的成员正全力抨击这种在从事法律业务中使用那些任何人都可以参与编写和修改的所谓百科资料的行为。他们认为,如果允许法学专业的学生们在学习法律的过程中倚赖那些可能包含错误的网络资料会诱发懒惰和并存在削弱法律的权威性和职业性的危险。rn 笔者认为，并不是说“维基”可以取代专业化教育。从反面来看，法学院之间交流关于道德的标准，教学生专业知识，传授解决问题的分析方法，教学生合作以及对与民主和社会正义的热爱。如果想让学生既成为积极主动的学习者又能够参与世界，那么应该欣然接受“维基”并把它们带进日常课程中去。

摘要： 维基百科是一网络百科全书,提供广泛的知识给使用者,其内容是由所有使用者共同编辑而得,并非只由专家学者制定。编辑维基百科需要耗费个人时间精力,奉献个人所知,没有金钱作回报,却有越来越多人加入编写行列,本研究针对这一群在维基百科上分享知识的人,探讨其知识分享的影响因素。根据回收的156份有效问卷分析,我们发现声誉和利他主义对知识分享态度有正向显著的影响,期望报酬对知识分享态度是负向显著的；而知识分享态度对知识分享行为的影响是不显著的。外度控制和社群认同对知识分享态度及知识分享行为只关系有调节效果。

摘要： 维基百科是一个自由、免费、开放的多语言百科全书协作计划,允许来自世界各地的参与者共同编辑维基百科的任何词条及类别,已经成为了人们在网络中获取知识的重要来源。然而,维基类别数量庞大,嵌套层次深,维基词条问关系数量巨大,这些关系共同构成了复杂而庞大的知识网络,不利于用户迅速定位其感兴趣的信息并荻取相应知识。针对该问题我们分析了维基类别与词条关系的特点,通过统计策略提取类别间的核心关系,使用户可以在大数量的词条关系中迅速定位普遍存在的重要关系。在此基础上,设计了雏基类别与词条可视化界面,该界面能够展现维基类别与词条复杂的相互关系,并且兼顾维基整体与细节信息。

摘要： 本文报告基于维基开展针灸文献探究性学习的教学设计及实施，认为维基建立了构建知识、管理知识、分享知识的环境，其应用过程是群体合作、探求知识、交流分享、获得反馈的过程，充分显示了学习的建构性、社会协商性和参与性。

摘要： 提供了用于分类概念的系统、方法和计算机可读和可执行的指令。分类概念能够包括选择具有多个附近的原文上下文的目标概念。分类概念还能够包括基于多个附近的原文上下文为目标概念确定多个候选类别。分类概念还能够包括选择预先规定数目的文章,每个文章具有与多个候选类别的希望的相关度。而且,分类概念能够包括基于与多个文章的相关度为多个候选类别中的每个计算相关度分数。

摘要： 本发明公开了一种基于维基百科双向链接的词语语义相关度判断方法，对于任意两个词语有：S1.在维基百科数据资源库中分别获取两个词语的定位页面；S2.若定位页面为内容页面，即是义项页面，转S3；若定位页面为消歧页面，进行消岐处理，转S3；S3.计算出两个词语每一个义项页面的概念语义解释，概念语义解释为一个双向链接向量；S4.计算两个词语义项页面间的双向链接向量的余弦，获得每一对义项概念间的语义相关度，将最大值作为两个词语的语义相关度。本发明把维基百科中页面的入链接和出链接作为页面特征，构建描述概念语义的特征向量模型，并结合一种基于社会认知度的消岐策略,提高了基于维基百科链接的词语语义相关度计算的准确度。

摘要： 本发明公开了一种基于维基百科的中英文跨语言实体匹配方法。本发明首先通过wikidump获得中英文维基百科页面数据，并对数据预处理，具体为：提取每个页面的标题，摘要，目录，全文文本，链出链接，链入链接，分类信息；将中文维基页面的标题翻译成英文；对摘要，目录和全文文本分别分词；提取中英文维基百科中已存在的页面跨语言链接和分类跨语言链接。然后，针对每个中文维基页面，根据链出链接信息，获取他的英文跨语言页面候选集。接着，计算中文页面与它的英文跨语言页面候选集之间的特征。最后，构建排序模型，对当前中文页面的英文跨语言页面候选集进行相似度排序，并将相似度最高的英文跨语言页面候选集作为当前中文页面的跨语言链接。

摘要： 本发明属于关系数据库技术领域，具体为一种根据维基百科中话题信息使查询词项多样化的方法。该方法的步骤为：给定目标查询词t0，候选扩展集T，维基百科中的话题信息C和页面信息D(C)，相似性函数sim1、sim2，整数k和实数（），通过贪心方法，在每一轮迭代中寻找当前与目标查询词t0既相似又同时具有最大的话题多样性的词项，直至k个词项都被找到。本发明在扩展查询此项时引入了外部的维基百科分类信息，从而使扩展的多样性得以更高。

摘要： 本发明公开了一种维基百科条目质量评价方法，包括：步骤一、在维基百科选择一个分类，读取所述分类的全部的直接隶属页面，分析所述直接隶属页面对应的条目的链接关系网络的相互性系数，根据所述相互性系数筛选有意义的分类作为领域；步骤二、采用迭代的方式计算所述领域里各条目的质量值，以及编辑者在所述领域的信誉度值。本发明能够筛选条目之间相互关联度强的分类认定为有意义的分类并作为领域，提高条目质量评价的效率，根据数据量化的方式高效评价条目的质量值和编辑者的信誉度值，解决维基百科知识质量评价问题，更加准确、直观。

摘要： 本发明涉及一种基于维基百科的评论主题词聚类方法。现行的主题词聚类由于选取语料库和词语相似度计算之间的原因，评论的主题词聚类准确率不高。本发明首先对于评论进行词性的标注，接着进行评论的主题词的提取，然后是基于维基百科的词语相似度模型的生成，词的相似度矩阵的生成。这里词的相似度采用词向量的余弦相似度进行衡量。最有在采用k均值算法进行主题词的聚类。本发明的结果是提高评论主题词聚类的准确性。

摘要： 本发明提供了一种维基百科概念依赖关系识别方法，包括如下步骤：由至少两个的基分类器组成Bagging分类器，并由至少两个Bagging分类器组成的Boosting分类器；用Boosting分类器对数据集进行训练：样本经过所有的Bagging分类器后，得到最终的分类结果；输入测试样本，Boosting分类器预测当前样本概念对间的依赖关系；本发明的方法，同时结合Bagging和Boosting两种集成技术的优点来预测维基百科概念之间的依赖关系，将AdaBoost算法当中的基分类器换成基于Bagging的集成学习分类器，这样AdaBoost既能发挥自己在权值分配上的优势，还能结合Bagging算法在样例选择上具有随机独立的特点，分类结果更为准确。

摘要： 本发明公开了一种基于维基百科双向链接的词语语义相关度判断方法，对于任意两个词语有：S1.在维基百科数据资源库中分别获取两个词语的定位页面；S2.若定位页面为内容页面，即是义项页面，转S3；若定位页面为消歧页面，进行消岐处理，转S3；S3.计算出两个词语每一个义项页面的概念语义解释，概念语义解释为一个双向链接向量；S4.计算两个词语义项页面间的双向链接向量的余弦，获得每一对义项概念间的语义相关度，将最大值作为两个词语的语义相关度。本发明把维基百科中页面的入链接和出链接作为页面特征，构建描述概念语义的特征向量模型，并结合一种基于社会认知度的消岐策略,提高了基于维基百科链接的词语语义相关度计算的准确度。

摘要： 本发明提供了一种基于维基百科与WordNet的论述题自动评卷方法，通过WordNet形成领域学科的初始主干概念空间，并通过维基百科与WordNet扩展形成领域学科的概念空间、术语集与领域概念页面集，然后通过学科的概念空间与概念页面集为领域术语建立起语义描述向量，最终使用术语语义描述为论述题的教师答案文本与学生答卷文本分别建立起相应的文本语义描述向量，并通过计算答案文本与答卷文本语义描述向量的相似度能自动得出论述题评卷的得分，且有利于提高评分的精度。

摘要： 针对开放式信息抽取结果缺乏清晰语义的特性，本发明提出了一种基于维基百科的实体语义化方法。该方法将知识三元组中的字符串参数映射到外部知识库维基百科中的真实世界实体上，从而实现实体语义化。该研究思路优点有二：开放式信息抽取中具备相似谓语的知识三元组往往具备相似的域约束概率分布，以此特征融合多信息源特征，使方法具备很好的鲁棒性；以基于语义传播的相似性度量代替直接计算相似度，挖掘了维基百科实体之间深层次的关联。