Анализ методов определения авторства на материале коротких текстов на русском языке

Автоматическая атрибуция авторства – это анализ некоторого текста с помощью применения статистических, математических и компьютерных подходов с целью определения автора данного текста. За многие годы развития автоматической атрибуции было предложено огромное количество разнообразных признаков и методов, но абсолютное большинство работ было посвящено исследованию художественной литературы. С появлением Интернета и распространением всевозможных электронных текстов (например, сообщений в социальных сетях) возник интерес к атрибуции их авторства. Поэтому многие исследования последних лет представляют собой оценку эффективности уже существующих методов и признаков для нового типа текстов. Настоящая работа посвящена тестированию двух методов – метода опорных векторов (SVM) и метода различий между текстами (Dissimilarity) – на материале новостных статей из популярного Интернет-издания и твитов на русском языке. В качестве основного признака мы используем частоты n-грамм (биграмм и триграмм), а также рассматриваем некоторые дополнительные признаки – частоты союзов и вводных слов и элементарные синтаксические характеристики.