Тематическое моделирование художественных текстов (экспериментальное исследование на материале Корпуса русского рассказа 1900–1930 гг.)

В работе представлен эксперимент, посвященный сравнению методов тематического моделирования применительно к художественным произведениям на материале Корпуса русского рассказа 1900–1930 годов. Рассматриваются следующие виды тематического моделирования: метод латентного размещения Дирихле (LDA), структурное тематическое моделирование (STM) и неотрицательная матричная факторизация (NMF). Кроме того, анализируется изменение подхода к формированию выборки – удаление всех частей речи, кроме существительных, – и его связь с интерпретируемостью тематических моделей данного типа текстов. Исследование показало, что наиболее перспективными для дальнейшей работы являются структурные тематические модели, позволяющие оценивать влияние метаданных (например, года создания текста) на содержание тем и их пропорцию в текстовой коллекции, с одной стороны, и модель, построенная только на существительных с помощью NMF, – с другой. Применение метода LDA в свою очередь также позволило выявить ряд тем, характерных для анализируемой текстовой выборки, но незначительно, по сравнению с STM и NMF, различить их внутри большей категории. Так, например, темы заключения в тюрьме и казни были объединены с помощью LDA в один топик, в то время как при использовании и STM, и NMF они составили отдельные топики.