[論文レビュー] Scale-free topology of the interlanguage links in Wikipedia

Łukasz Bolikowski|ArXiv.org|Apr 3, 2009

Natural Language Processing Techniques参考文献 1被引用数 7

ひとこと要約

本稿は、ウィキペディアの言語間リンクのスケールフリーネットワーク的構造を分析し、トピックごとに孤立したクラスタ（クリーク）が期待されるが、整合性のない編集が原因で、緩く接続された近似クリークの複雑なネットワークを形成していることを明らかにした。クリークを除外して骨格ネットワークを抽出することで、著者らはその構造がべき乗則に従う度数分布（γ ≈ 3.75）を示すことを示し、意味的ずれと大規模編集エラーが原因でスケールフリー構造が生じていることを確認した。

ABSTRACT

The interlanguage links in Wikipedia connect pages on the same subject written in different languages. In theory, each connected component should be a clique and cover one topic. However, incoherent edits and obvious mistakes result in topic coalescence, yielding a non-trivial topology that is studied in this paper. We show that the component size distribution obeys the power law, and we explain anomalies in the distribution as results of certain edit conventions. Next, we propose a method of filtering out the cliques and study basic properties of the resulting skeleton, which turns out to be scale-free.

研究の動機と目的

• 整合性のない編集の影響により、期待されるクリークベースのモデルとは逸脱するウィキペディアの言語間リンクのトポロジカル構造を調査すること。
• 特に、べき乗則の挙動と大規模に生成されたコンテンツによるピークを示す、コンponentサイズ分布の異常を特定・解明すること。
• クリークを除去してトピック間の接続を明らかにする、元の骨格ネットワークを抽出するためのフィルタリング手法を開発すること。
• 抽出された骨格ネットワークを分析し、そのスケールフリー性を示し、ウィキペディアの多言語コンテンツのグローバルトポロジーに非自明な結合性があることを示すこと。

提案手法

• 2008年8月のデータベースダンプを用い、記事（ネットワーク 𝒜）およびカテゴリ（ネットワーク 𝒞）の言語間リンクの無向グラフを構築した。
• 対数スケールのプロットを用いてコンponentサイズ分布を分析し、べき乗則の挙動を検出。サイズのランクベーススケーリングを用いてべき乗則の指数を評価した。
• 新規の骨格抽出手法を提案：ノードを最も近い基準言語（例：英語）ごとにグループ化し、同じ言語グループ内に属するノードを反復的に統合することで、近似クリークを縮小した。
• 3段階の統合ステップを含む：単一の参照言語を持つノードの統合、複数の参照言語を持つノードの統合、次数2のノードの簡略化により構造的整合性を維持した。
• ノードの次数が9より大きい場合のクラスタリング係数を計算し、整合性のないノードを特定。条件付き確率を用いて整合性のないノードの可能性を評価した。
• 最終的な骨格ネットワークについて、度数分布、クラスタリング係数、べき乗則フィットの分析を行い、スケールフリー性を確認した。

実験結果

リサーチクエスチョン

• RQ1 ウィキペディアの言語間リンクのコンponentサイズ分布はべき乗則に従うか？ また、期待されるクリークモデルからの逸脱はどのような要因によるか？
• RQ2 整合性のない編集および大規模編集（例：日付関連の記事）が、ネットワークトポロジーにどの程度歪みを及ぼし、コンponentサイズ分布に異常を引き起こすか？
• RQ3 近似クリーク構造をフィルタリングすることで、真のトピック間接続性を明らかにする骨格ネットワークを言語間リンク構造から抽出可能か？
• RQ4 抽出された骨格ネットワークはスケールフリーであるか？ これはウィキペディアの多言語コンテンツのグローバルトポロジーにどのような意味を持つのか？
• RQ5 クラスタリング係数と接続パターンは、ネットワーク内での整合的・非整合的コンponentをどのように区別するか？

主な発見

• 記事ネットワークおよびカテゴリネットワークの両方において、コンponentサイズ分布がべき乗則に従い、コンponentサイズ s が s ∼ r^−γ とスケーリングされることを示し、スケールフリー性を裏付けた。
• 非単一のコンponentの約5%が整合性のないものであり、記事ネットワークでは99.58%のノードが次数 >9 であり、クラスタリング係数 <80% であるノードが整合性のないコンponentに属している。
• 記事ネットワークから抽出された骨格ネットワークの平均次数は約1.17、クラスタリング係数は約37%であり、疎でありながら局所的にクラスタ化された構造を示した。
• 骨格ネットワークの度数分布はべき乗則に従い、指数 γ ≈ 3.75 であった。これは、フィルタリング処理を経てもスケールフリー構造が維持されていることを確認した。
• 27–30付近の度数分布のピークは、例えば、1つの言語版で月のすべての日付を一括してリンクしたような、誤った言語間リンクが原因のマスエディションエラーに起因するとされた。
• 「キング効果」の存在と日付関連トピックの影響が、整合的コンponentサイズ分布を歪め、観察されたべき乗則の挙動に寄与している。