Mult An App

Âåðèôèêàöèÿ àâòîðîâ, èñïîëüçóÿ

ìíîãîìåðíûé ïîäõîä

Authorship Verication, using the Multivariate Analysis Approach
c Å.Ñâåðäëîâ

2009

Àííîòàöèÿ
Îïèñàí ìåòîä ðåøåíèÿ çàäà÷è âåðèôèêàöèè àâòîðîâ ïî ðóññêèì òåêñòàì,
èñïîëüçóÿ ìíîãîìåðíûé ïîäõîä (Multivariate Analysis Approach).

1 Ïîñòàíîâêà çàäà÷è
Êîðîòêî çàäà÷à ñòàâèòñÿ òàê: èìååòñÿ ñïèñîê àâòîðîâ è íàïèñàííûõ èìè òåêñòîâ.
Ïðèõîäÿùèé íîâûé òåêñò ïîäïèñàí îäíèì èç èìåí â ñïèñêå. Íóæíî âûÿñíèòü,
äåéñòâèòåëüíî ëè óêàçàííûé àâòîð íàïèñàë ýòîò òåêñò? Îïèñàíèå ýòîé çàäà÷è ìîæíî
âèäåòü òàêæå â [1, 2, 3, 4, 5, 6, 7] è ìíîãèõ äðóãèõ èñòî÷íèêàõ.

2 Ìåòîä
2.1 Îáùåå îïèñàíèå

Ìåòîä çàêëþ÷àåòñÿ â êîìáèíèðîâàíèè ðàçëè÷íûõ ñâîéñòâ òåêñòà ñ öåëüþ ðàçðåøåíèÿ
ïðîáëåìû àâòîðñòâà òåêñòà (â äàííîì ñëó÷àå, âåðèôèêàöèÿ àâòîðîâ). Ýòîò ìåòîä áûë
îïèñàí â [1].

2.2 Îïèñàíèå âèäà òåêñòîâ

Îöåíêà ìåòîäà ïðîèçâîäèëàñü òàê æå êàê è â [7]. Äëÿ ýêñïåðèìåíòîâ áûëè âçÿòû 261
ðóññêèé òåêñò (ôàíòàñòèêà), êàæäûé ≈100kB, ≈25 ñòðàíèö. Èç íèõ 180 ñ ñàéòà:
http://www.lib.ru/
áèáëèîòåêà Ìàêñèìà Ìîøêîâà. Îñòàëüíûå, èç ñâîáîäíî
ðàñïðîñòðàíÿåìîãî èñòî÷íèêà òåêñòîâ. Ñîçäàíû áûëè 200 ìîäåëåé äëÿ 100 àâòîðîâ,
à òàêæå ìîäåëü ÿçûêà. Âî âñåõ òåêñòàõ ðåãèñòð áóêâ íå ó÷èòûâàëñÿ, áîëüøèå áóêâû
áûëè çàìåíåíû ìàëåíüêèìè, à òàêæå áûëà ñäåëàíà çàìåíà âñåõ ¼, œ íà å.

2.3 Òèïû ïàðàìåòðîâ

2.3.1 Óíèãðàììû áóêâ
Ðàññìîòðèì 10 íàèáîëåå ÷àñòîòíûõ áóêâ - íàéäåíû, èñïîëüçóÿ ìîäåëü ÿçûêà, è îäèí
çíàê:
à, â, ä, å, è, ê, ë, ì, í, î,,
ãäå - âñå áóêâû, êðîìå óêàçàííûõ - ÷àñòîòà (ñîîòâåòñòâåííî, è âåðîÿòíîñòü ïîÿâëåíèÿ
â òåêñòå) ðàâíà ñóììå ÷àñòîò(âåðîÿòíîñòåé) âñåõ áóêâ, êðîìå óêàçàííûõ.
Ïóñòü DU A - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà1 , âçÿòûé íà
ðàñïðåäåëåíèÿõ ýòèõ 11 çíàêîâ ó ïîäîçðèòåëüíîãî è èçâåñòíîãî òåêñòîâ.

2.3.2 Áèãðàììû áóêâ
Ðàññìîòðèì 46 íàèáîëåå ÷àñòîòíûõ ïàð áóêâ - íàéäåíû, èñïîëüçóÿ ìîäåëü ÿçûêà (¼
ñ÷èòàåì ðàâíûì å, ïîýòîìó âñåãî 1024 ïàðû áóêâ) è îäèí çíàê:
òî, íî, ñò, íà, íå, ïî, àë, ðà, êî, ðî, íè, ãî, ëè, åí, îò, åð, îâ, ïð, êà, îñ, ëî,
ðå, îë, âî, åë, òü, îð, îì, îí, ëà, çà, åò, èë, òà, âà, òå, âå, îä, îã, äå, ëå, ñÿ,
äà, àò, åñ, ðè, ,
ãäå - âñå ïàðû, êðîìå óêàçàííûõ - ÷àñòîòà (ñîîòâåòñòâåííî, è âåðîÿòíîñòü ïîÿâëåíèÿ
â òåêñòå) ðàâíà ñóììå ÷àñòîò(âåðîÿòíîñòåé) âñåõ ïàð áóêâ, êðîìå óêàçàííûõ.
Ïóñòü DBA - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà, âçÿòûé íà

2.3.3 Óíèãðàììû ÷àñòåé ðå÷è
Ðàññìîòðèì 5 íàèáîëåå ÷àñòîòíûõ ÷àñòåé ðå÷è (êðîìå ñîþçà) - íàéäåíû, èñïîëüçóÿ
ìîäåëü ÿçûêà, è îäèí çíàê:
ñóùåñòâèòåëüíîå, ãëàãîë, ïðè÷àñòèå, ïðåäëîã, ÷àñòèöà, ,
ãäå - âñå ÷àñòè ðå÷è, êðîìå óêàçàííûõ - ÷àñòîòà (ñîîòâåòñòâåííî, è âåðîÿòíîñòü
ïîÿâëåíèÿ â òåêñòå) ðàâíà ñóììå ÷àñòîò(âåðîÿòíîñòåé) âñåõ ÷àñòåé ðå÷è, êðîìå
óêàçàííûõ.
Ïóñòü DU P - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà, âçÿòûé íà

2.3.4 Áèãðàììû ÷àñòåé ðå÷è
Ðàññìîòðèì 23 íàèáîëåå ÷àñòîòíûå ïàðû ÷àñòåé ðå÷è - íàéäåíû, èñïîëüçóÿ ìîäåëü
ÿçûêà, è îäèí çíàê:
ïðåäëîã-ñóùåñòâèòåëüíîå, ïðèëàãàòåëüíîå-ñóùåñòâèòåëüíîå,
ñóùåñòâèòåëüíîå-ãëàãîë, ÷àñòèöà-ãëàãîë, ñóùåñòâèòåëüíîå-÷àñòèöà,
ñóùåñòâèòåëüíîå-ñóùåñòâèòåëüíîå, ãëàãîë-ïðåäëîã, ñóùåñòâèòåëüíîå-ïðåäëîã,
1 Ïóñòü P è G - äâà àáñîëþòíî íåïðåðûâíûõ ðàñïðåäåëåíèÿ îòíîñèòåëüíî ìåðû µ. Èõ ïëîòíîñòè
ðàâíû, ñîîòâåòñòâåííî, p(x) è g(x). NP - íîñèòåëü ðàñïðåäåëåíèÿ P : NP = {x : p(x) 0}. Òîãäà
ðàññòîÿíèåì Êóëüáàêà-Ëåéáëåðà ìåæäó ðàñïðåäåëåíèÿìè P è G íàçûâàåòñÿ âåëè÷èíà
(P, G) = ln (p(x)/g(x)) P (dx) = ln (p(x)/g(x))p(x) · µ(dx) [8]
N N
Ñîîòâåòñòâåííî, äëÿ äèñêðåòíûõ ðàñïðåäåëåíèé, çàäàííûõ íà ìíîæåñòâå {xi } èç N ýëåìåíòîâ
P P

àíàëîãîì ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà ìåæäó ðàñïðåäåëåíèÿìè P è G ÿâëÿåòñÿ âåëè÷èíà
(P, G) = i=1 [ln (p(xi )/g(xi )) p(xi )], ãäå ∀i = 1 . . . N p(xi ) = 0, g(xi ) = 0.
N

2

ãëàãîë-ñóùåñòâèòåëüíîå, ìåñòîèìåíèå-ãëàãîë, ãëàãîë-÷àñòèöà,
íàðå÷èå-ãëàãîë, ÷àñòèöà-ñóùåñòâèòåëüíîå, ÷àñòèöà-÷àñòèöà,
(ìåñòîèìåíèå_ïðèëàãàòåëüíîå)-ñóùåñòâèòåëüíîå, ïðåäëîã-ïðèëàãàòåëüíîå,
ãëàãîë-ãëàãîë, ãëàãîë-ìåñòîèìåíèå, ÷àñòèöà-íàðå÷èå, ÷àñòèöà-ìåñòîèìåíèå,
ïðåäëîã-ìåñòîèìåíèå, ñóùåñòâèòåëüíîå-íàðå÷èå,
ñóùåñòâèòåëüíîå-ïðèëàãàòåëüíîå, , 2

ãäå - âñå ïàðû ÷àñòåé ðå÷è, êðîìå óêàçàííûõ - ÷àñòîòà(ñîîòâåòñòâåííî, è âåðîÿòíîñòü
ïîÿâëåíèÿ â òåêñòå) ðàâíà ñóììå ÷àñòîò(âåðîÿòíîñòåé) âñåõ ïàð ÷àñòåé ðå÷è, êðîìå
óêàçàííûõ.
Ïóñòü DBP - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà, âçÿòûé íà

2.3.5 Ðàñïðåäåëåíèå äëèí ñëîâ â áóêâàõ
Âñå ñëîâà ðàçáèâàåì íà 10 ãðóïï, èñïîëüçóÿ èõ äëèíó â áóêâàõ
(äëèíû îò 1 äî 9 - íàèáîëåå ÷àñòûå â ÿçûêå íàéäåíû, èñïîëüçóÿ ìîäåëü ÿçûêà):
äëèíà = 1, äëèíà = 2, äëèíà = 3, äëèíà = 4, äëèíà = 5,
äëèíà = 6, äëèíà = 7, äëèíà = 8, äëèíà = 9, äëèíà 10
Ïóñòü DW C - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà, âçÿòûé íà
ðàñïðåäåëåíèÿõ ýòèõ 10 ãðóïï ïîäîçðèòåëüíîãî è èçâåñòíîãî òåêñòîâ.

2.3.6 Ðàñïðåäåëåíèå äëèí ïðåäëîæåíèé â ñëîâàõ
Âñå ïðåäëîæåíèÿ ðàçáèâàåì íà 25 ãðóïï, èñïîëüçóÿ èõ äëèíó â ñëîâàõ
äëèíà = 21, äëèíà = 22, äëèíà = 23, äëèíà = 24, äëèíà 25
Ïóñòü DSW - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà, âçÿòûé íà

2.3.7 Ðàñïðåäåëåíèå äëèí ïàðàãðàôîâ â ïðåäëîæåíèÿõ
Âñå ïàðàãðàôû ðàçáèâàåì íà 7 ãðóïï, èñïîëüçóÿ èõ äëèíó â ñëîâàõ
äëèíà = 6, äëèíà 7
Ïóñòü DP S - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Êóëüáàêà-Ëåéáëåðà, âçÿòûé íà

2ïðèëàãàòåëüíîå èìååò 3 ñòåïåíè ñðàâíåíèÿ: íàïðèìåð, ïðî÷íûé, ïðî÷íåå, ïðî÷íåéøèé .
Çäåñü, ïðèëàãàòåëüíûå â ñðàâíèòåëüíîé è ïðåâîñõîäíîé ñòåïåíÿõ ìû íå áåðåì. Ìåñòîèìåíèå ìîæåò
áûòü êàê ìåñòîèìåíèåì_ñóùåñòâèòåëüíûì( ), òàê è ìåñòîèìåíèåì_ïðèëàãàòåëüíûì(
îí íèêàêîé ).
3

2.3.8 Ïðîñòåéøèå õàðàêòåðèñòèêè ñëîâ
• Ýìîöèîíàëüíûå ñëîâà.
DE = |ES − EK |/EL , ãäå ES , EK , EL - âåðîÿòíîñòè ïîÿâëåíèÿ ýìîöèîíàëüíûõ
ñëîâ [9] â ïîäîçðèòåëüíîì , èçâåñòíîì òåêñòàõ è ÿçûêå, ñîîòâåòñòâåííî.

• Âîçâðàòíûå ãëàãîëû.
DV = |VS −VK |/VL , ãäå VS , VK , VL - âåðîÿòíîñòè ïîÿâëåíèÿ âîçâðàòíûõ ãëàãîëîâ
[9] â ïîäîçðèòåëüíîì , èçâåñòíîì òåêñòàõ è ÿçûêå, ñîîòâåòñòâåííî.

• Ãëàãîëû ñîâåðøåííîãî âèäà.
DP = |PS −PK |/PL , ãäå PS , PK , PL - âåðîÿòíîñòè ïîÿâëåíèÿ ãëàãîëîâ ñîâåðøåííîãî
âèäà â ïîäîçðèòåëüíîì , èçâåñòíîì òåêñòàõ è ÿçûêå, ñîîòâåòñòâåííî.

2.3.9 Ëåêñè÷åñêèé çàïàñ
Õîòåëîñü áû îöåíèòü ëåêñè÷åñêèé çàïàñ ÷åëîâåêà, èñõîäÿ èç äàííîãî òåêñòà. (Â
äàííîì ñëó÷àå ïðåäñòàâëÿåòñÿ âîçìîæíûì îöåíèòü òîëüêî êîëè÷åñòâî ñëîâ, êîòîðîå
ìîæåò áûòü óïîòðåáëåíî â òåêñòàõ îïðåäåëåííîãî òèïà. Çäåñü - ðóññêèé ÿçûê,
ôàíòàñòèêà). Ôîðìàëüíî, ýòî ìîæíî ñôîðìóëèðîâàòü òàê:
Ïóñòü M - êîíå÷íîå ìíîæåñòâî. Èç ýòîãî ìíîæåñòâà ïîñëåäîâàòåëüíî âûáèðàåì è
âîçâðàùàåì ïî îäíîìó ýëåìåíòó (äëÿ êàæäîãî ýëåìåíòà âåðîÿòíîñòü âûáîðà ðàâíà
1/|M | ýëåìåíòû ìîãóò áûòü âûáðàíû ðàâíîâåðîÿòíî), ò.å. åñòü ñëó÷àéíàÿ ôóíêöèÿ
èç íàòóðàëüíûõ3 ÷èñåë â M ξ : N → M . Ïóñòü f : N → N - ÷èñëî ðàçëè÷íûõ
ýëåìåíòîâ, âûáðàííûõ èç M íà êàæäîì øàãå, à g : N → N - ìèíèìàëüíîå ÷èñëî
øàãîâ, ïîñëå êîòîðûõ âûáðàíî íóæíîå ÷èñëî ðàçëè÷íûõ ýëåìåíòîâ.
Òîãäà f (n) ≈ |M | · (1 − e−n/|M | ), g(n) ≈ −|M | · ln(1 − n/|M |)
Ïîêàæåì ýòî:4
Ñïåðâà ñäåëàåì ýòî äëÿ g . Äîïóñòèì g : R → N, ò.å. äëèíà òåêñòà íåîáÿçàòåëüíî
äîëæíà áûòü öåëûì ÷èñëîì, çàìåíèì âñå íàòóðàëüíûå ÷èñëà íà âåùåñòâåííûå.
Èìåííî ýòî ïðèâîäèò íå ê ñòðîãîìó(=), à ïðèáëèæåííîìó(≈) ðàâåíñòâó. Ëåãêî
ïîíÿòü, ÷òî
dg(x) 1
=
dx 1 − x/|M |
Ïîëó÷èëè î÷åíü ïðîñòîå äèôôåðåíöèàëüíîå óðàâíåíèå. Åãî ðåøåíèåì ÿâëÿåòñÿ
g(x) = |M | · ln(1 − x/|M |); ïåðåõîäÿ îáðàòíî ê öåëûì ÷èñëàì ïîëó÷àåì âòîðîå
ïðèáëèæåííîå ðàâåíñòâî. f (x) = g(x)−1 îòñþäà, ïåðâîå ïðèáëèæåííîå ðàâåíñòâî.
Ãðàôèê ôóíêöèè f (n) âûãëÿäèò ïðèìåðíî òàê: (Ðèñ. 1). Áóäåì ñ÷èòàòü, ÷òî òåêñòû
ñëó÷àéíû. Åñëè ïðèíÿòü çà M ìíîæåñòâî âñåõ ñëîâ5 , òî ïîÿâëÿåòñÿ âîçìîæíîñòü
îöåíèòü ëåêñè÷åñêèé çàïàñ ÷åëîâåêà (íà ñàìîì äåëå, òîëüêî êîëè÷åñòâî ñëîâ, êîòîðûå
÷åëîâåê ñìîã áû óïîòðåáèòü â ïîäîáíîãî ðîäà òåêñòå) - ïîëó÷èì ÷èñëî L6 . Àíàëîãè÷íî,
ìîæíî îöåíèòü ÷èñëî ñóùåñòâèòåëüíûõ - S, ãëàãîëîâ - V, ïðèëàãàòåëüíûõ1 7 - A1 ,
3 çäåñü íàòóðàëüíûå ÷èñëà íóìåðóþòñÿ ñ 1, ò.å N = {1, 2, 3, . . .}.
4 ýòî íå àêêóðàòíûé âûâîä, à òîëüêî åãî ñõåìà , íî ïðè íåîáõîäèìîñòè ìîæíî ïåðåâåñòè ýòó
ñõåìó â àêêóðàòíûé âûâîä.
5 ïîä ñëîâîì ïîíèìàåì ëåêñåìó.
6 çäåñü ñëîâàðíûé çàïàñ ñîñòàâèë ≈ 5000 ñëîâ.
7 íå â ñðàâíèòåëüíîé èëè ïðåâîñõîäíîé ñòåïåíè

4

Ðèñ. 1: Ãðàôèê ôóíêöèè f (n)

ïðèëàãàòåëüíûõ2 8 - A2 , íàðå÷èé - D, ïðè÷àñòèé - P, ïðåäëîãîâ - R, ÷àñòèö - M,
êîëè÷åñòâåííûõ ÷èñëèòåëüíûõ - C, ïîðÿäêîâûõ ÷èñëèòåëüíûõ - O, ìåñòîèìåíèé_ïðèëàãàòåëüíûõ
- J. Íîðìèðóåì ýòè 12 ÷èñåë, ïðîñòî ïîäåëèâ êàæäîå èç íèõ íà èõ ñóììó.
Ïóñòü DCH - äèñêðåòíûé àíàëîã ðàññòîÿíèÿ Õåëëèíãåðà9 , âçÿòûé íà ýòèõ ðàñïðåäåëåíèÿõ
ó ïîäîçðèòåëüíîãî è èçâåñòíîãî òåêñòîâ.

3 Ðåçóëüòàò
Èñïîëüçóÿ îïèñàííûå â 2.3 ïàðàìåòðû, ìîæíî çàäàòü ôóíêöèþ:

D(t1 , t2 ) = 2·DU A (t1 , t2 )+2·DBA (t1 , t2 )+0,3 DU P (t1 , t2 )+0,15·DBP (t1 , t2 )+0,03·DW C (t1 , t2 )+
+0,06·DSW (t1 , t2 )+0,03·DP S (t1 , t2 )+0,01·DE (t1 , t2 )+0,03·DV (t1 , t2 )+0,02·DP (t1 , t2 )+
+ 0,5 · DCH (t1 , t2 )
(1)

t1 , t2 ïîäîçðèòåëüíûé è èçâåñòíûé òåêñòû, ñîîòâåòñòâåííî.
Èëè â 11-ìåðíîì ïðîñòðàíñòâå, ãäå êàæäîé ðàçìåðíîñòè ñîîòâåòñâóþò
DU A , DBA , DU P , DBP , DW C , DSW , DP S , DE , DV , DP , DCH

â ñðàâíèòåëüíîé èëè ïðåâîñõîäíîé ñòåïåíè
8
9Ïóñòü P è G - äâà àáñîëþòíî íåïðåðûâíûõ ðàñïðåäåëåíèÿ îòíîñèòåëüíî ìåðû µ. Èõ ïëîòíîñòè
ðàâíû, ñîîòâåòñòâåííî, p(x) è g(x). NP - íîñèòåëü ðàñïðåäåëåíèÿ P : NP = {x : p(x) 0}.,
NG - íîñèòåëü ðàñïðåäåëåíèÿ G : NG = {x : g(x) 0}. Òîãäà ðàññòîÿíèåì Õåëëèíãåðà ìåæäó
ðàñïðåäåëåíèÿìè P è G íàçûâàåòñÿ âåëè÷èíà
(P, G) = ( p(x) − g(x))2 · µ(dx)[8]
N N
Ñîîòâåòñòâåííî, äëÿ äèñêðåòíûõ ðàñïðåäåëåíèé, çàäàííûõ íà ìíîæåñòâå {xi } èç N ýëåìåíòîâ
P G

àíàëîãîì ðàññòîÿíèåì Õåëëèíãåðà ìåæäó ðàñïðåäåëåíèÿìè P è G ÿâëÿåòñÿ âåëè÷èíà
(P, G) = i=1 ( p(x) − g(x))2 , ãäå ∀i = 1 . . . N p(xi ) = 0, g(xi ) = 0.
N

5

 
2
 2 
 
 0,3 
 
 0,15 
 
 0,03 
ãèïåðïëîñêîñòü N · X = Θ ÿâëÿåòñÿ îòäåëÿþùåé, ãäå N =  0,06  ,
 
 
 0,03 
 
 0,01 
 
 0,03 
 
 0,02 
0,5
à X = D(T1 , T2 ), ãäå T1 è T2 - ïîäîçðèòåëüíûé è èçâåñòíûé òåêñòû.10 Ïðîâåäÿ,
àíàëîãè÷íî [7] ýêñïåðèìåíò, ïîëó÷èì ROC11 , èçîáðàæåííóþ íà ðèñóíêå 2.

Èñïîëüçóÿ îöåíêó äîâåðèòåëüíûõ èíòåðâàëîâ [10]

c âåðîÿòíîñòüþ 0,95 EER = 0,16 ± 0,04, Θ = 0,036 ± 0,007.

4 Çàêëþ÷åíèå
Áûëè ñäåëàíû ñëåäóþùèå äîïóùåíèÿ:
• ïðåäïîëàãàåì, ÷òî ðàññìàòðèâàåìûå òåêñòû ñëó÷àéíû.
• ïðåäïîëàãàåì, ÷òî îòäåëÿþùèì àâòîðîâ ìíîæåñòâîì ÿâëÿåòñÿ ãèïåðïëîñêîñòü
N · X = Θ.
• ïðåäïîëàãàåì, ÷òî ðàçìåðû òåêñòîâ ≈25 ñòðàíèö, ò.å. òåêñòû áîëüøèå.
Êðîìå òîãî, âåêòîð íîðìàëè ãèïåðïëîñêîñòè N , áûë íàéäåí ðóêàìè , ïîýòîìó
ðåçóëüòàò íå ÿâëÿåòñÿ ëó÷øèì. Âîçìîæíî, ïðè áîëåå êà÷åñòâåííîì âûáîðå
îòäåëÿþùåãî ìíîæåñòâà ðåçóëüòàò áûë áû ëó÷øå. Îäíîé èç âîçìîæíîñòåé ïîèñêà
ýòîãî ìíîæåñòâà áûëî áû èñïîëüçîâàíèå ñàìîîáó÷àþùèõñÿ ñèñòåì. Ñóùåñòâóåò áîëüøîå
êîëè÷åñòâî ðàáîò â ýòîé îáëàñòè [11, 12, 13, 14, 15] è äð.
Øèðîêî ïðèìåíÿþòñÿ ñàìîîáó÷àþùèåñÿ ñèñòåìû è â îáëàñòè
Authorship Attribution [1, 16, 17] è äð.
Èíòåðåñ ïðåäñòàâëÿåò, òàêæå, óìåíüøåíèå ðàçìåðîâ òåêñòîâ.
Âîçìîæíî òàêæå, óäàñòñÿ óëó÷øèòü ðåçóëüòàò, óñèëèâ àíàëèç âíóòðåííåé ñòðóêòóðû
òåêñòà, ò.ê. â ðåàëüíîñòè òåêñòû íå ÿâëÿþòñÿ ñëó÷àéíûìè.
Åñëè N · X Θ, òî ñ÷èòàåì, ÷òî ïîäîçðèòåëüíûé è èçâåñòíûé òåêñòû íàïèñàíû îäíèì
10
àâòîðîì, â ïðîòèâíîì ñëó÷àå ðàçíûìè.
11 ROC(Region of operating curve) - êðèâàÿ çàâèñèìîñòè FAR îò FRR.
FAR (False Acceptance Rate) ïðîïóñê öåëè èëè âåðîÿòíîñòü òîãî, ÷òî ÷óæîé áóäåò ïðèíÿò çà
ñâîåãî.
FRR (False Rejection Rate) ëîæíàÿ òðåâîãà èëè âåðîÿòíîñòü òîãî, ÷òî ñâîé áóäåò ïðèíÿò çà
÷óæîãî.
EER (Equal Error Rate) òî÷êà ðàâåíñòâà FAR è FRR.
6

Ñïèñîê ëèòåðàòóðû
[1] Moshe Koppel, Jonathan Schler, Shlomo Argamon. Computational Methods in
Authorship Attribution. 2009.

[2] Hans van Halteren. Linguistic Proling for Author Recognition and Verication.

[3] Moshe Koppel, Jonathan Schler. Authorship Verication as a One-Class Classication
Problem.

[4] Daniel Pavelec, Luiz S. Oliveira, Edson Justino, Leonardo V. Batista. Using
Conjunctions and Adverbs for Author Verication. 2008.

[5] Benno Stein, Nedim Lipka, Sven Meyer zu Eissen. Meta Analysis within Authorship
Verication. 2008.

[6] Kim Luyckx, Walter Daelemans. Authorship Attribution and Verication with Many
Authors and Limited Data. 2008.

[7] Ñâåðäëîâ Å. Âåðèôèêàöèÿ àâòîðîâ ïðè ïîìîùè ñðàâíåíèÿ ñòàòèñòè÷åñêèõ
õàðàêòåðèñòèê òåêñòîâ. 2009.

[8] Áîðîâêîâ À.À. Ìàòåìàòè÷åñêàÿ ñòàòèñòèêà. Ì., Èçä-âî ôèçèêî-ìàòåìàòè÷åñêîé
ëèòåðàòóðû, 1984.

[9] http://www.artint.ru/projects/frqlist.asp.×àñòîòíûé
ñëîâàðü(Øàðîâ Ñ.À.). 2001.

[10] Øàïîðåâ Ñ.Ä. Ïðèêëàäíàÿ ñòàòèñòèêà. ÑÏá, Áàëòèéñêèé ãîñóäàðñòâåííûé
òåõíè÷åñêèé óíèâåðñèòåò, 2003.

[11] Vladimir N. Vapnik. The Nature of Statistical Learning Theory. Second Edition.
Springer-Verlag New York, Inc. 1999.

[12] Vladimir N. Vapnik. Statistical learulng theory. Second Edition. Jolm Wiley Sons,
Inc. 1998.

[13] Òàðõîâ Ä.À. Íàó÷íàÿ ñåðèÿ Íåéðîêîìïüþòåðû è èõ ïðèìåíåíèå.Íåéðîííûå
ñåòè, ìîäåëè è àëãîðèòìû. Ì., ÈÏÐÆÐ, 2005.

[14] Ãàëóøêèí À.È. Íàó÷íàÿ ñåðèÿ Íåéðîêîìïüþòåðû è èõ ïðèìåíåíèå.Òåîðèÿ
íåéðîííûõ ñèñòåì. Ì., ÈÏÐÆÐ, 2000.

[15] Ãîëîâêî Â.À. Íåéðîííûå ñåòè: îáó÷åíèå, îðãàíèçàöèÿ è ïðèìåíåíèå. Ì.,
ÈÏÐÆÐ, 2000.

[16] Daniel Pavelec, Edson Justino, and Luiz S. Oliveira. Author Identication using
Stylometric Features. Inteligencia Articial, Revista Iberoamericana de Inteligencia
Articial. Vol 11, No 36 (2007), pp. 59-65.

[17] Patrick Juola. Authorship Attribution. Foundations and Trends in Information
Retrieval Vol. 1, No. 3 (2006), 233334.

8

Mult An App

More Related Content

What's hot (11)

Viewers also liked (20)

More from NLPseminar (20)

Mult An App