Knowledge bases are becoming a key asset leveraged for various types of applications on the Web, from search engines presenting ‘entity cards’ as the result of a query, to the use of structured data of knowledge bases to empower virtual personal assistants. Wikidata is an open general-interest knowledge base that is collaboratively developed and maintained by a community of thousands of volunteers. One of the major challenges faced in such a crowdsourcing project is to attain a high level of editor engagement. In order to intervene and encourage editors to be more committed to editing Wikidata, it is important to be able to predict at an early stage, whether an editor will or not become an engaged editor. In this paper, we investigate this problem and study the evolution that editors with different levels of engagement exhibit in their editing behaviour over time. We measure an editor’s engagement in terms of (i) the volume of edits provided by the editor and (ii) their lifespan (i.e. the length of time for which an editor is present at Wikidata). The large-scale longitudinal data analysis that we perform covers Wikidata edits over almost 4 years. We monitor evolution in a session-by-session- and monthly-basis, observing the way the participation, the volume and the diversity of edits done by Wikidata editors change. Using the findings in our exploratory analysis, we define and implement prediction models that use the multiple evolution indicators.

中文翻译：

---

强大的功能和标准Wikidata编辑器的演变：比较一段时间内的编辑行为，以预测使用寿命和编辑量

知识库正在成为Web上各种类型的应用程序的重要资产，从查询结果中显示“实体卡”的搜索引擎到使用知识库的结构化数据来增强虚拟个人助理的能力，知识库都是不可或缺的。Wikidata是一个开放的，广泛关注的知识库，由数千名志愿者组成的社区共同开发和维护。在这样的众包项目中面临的主要挑战之一是获得高水平的编辑参与度。为了干预和鼓励编辑者更加致力于编辑Wikidata，重要的是要能够在早期阶段进行预测，无论编辑者是否会成为一名积极的编辑者。在本文中，我们调查了这个问题，并研究了不同参与度的编辑者随着时间的推移在其编辑行为中表现出的演变。我们根据（i）编辑提供的编辑量和（ii）生命周期（即Wikidata中出现编辑的时间长度）来衡量编辑的参与度。我们执行的大规模纵向数据分析涵盖了将近四年的Wikidata编辑。我们按会话和月度基准监视演变，观察Wikidata编辑的参与程度，数量和多样性的变化方式。利用我们探索性分析中的发现，我们定义并实施使用多个演化指标的预测模型。我们根据（i）编辑提供的编辑量和（ii）生命周期（即Wikidata中出现编辑的时间长度）来衡量编辑的参与度。我们执行的大规模纵向数据分析涵盖了将近四年的Wikidata编辑。我们按会话和月度基准监视演变，观察Wikidata编辑的参与程度，数量和多样性的变化方式。利用我们探索性分析中的发现，我们定义并实施使用多个演化指标的预测模型。我们根据（i）编辑提供的编辑量和（ii）生命周期（即Wikidata中出现编辑的时间长度）来衡量编辑的参与度。我们执行的大规模纵向数据分析涵盖了将近四年的Wikidata编辑。我们按会话和月度基准监视演变，观察Wikidata编辑的参与程度，数量和多样性的变化方式。利用我们探索性分析中的发现，我们定义并实施使用多个演化指标的预测模型。观察Wikidata编辑器的参与方式，数量和多样性的变化。利用我们探索性分析中的发现，我们定义并实施使用多个演化指标的预测模型。观察Wikidata编辑器的参与方式，数量和多样性的变化。利用我们探索性分析中的发现，我们定义并实施使用多个演化指标的预测模型。