Klasifikace autorství textu s neznámým autorem

Abstract

Přiřazení autorství pomocí statistických a výpočetních metod je hojně zkoumaným tématem literární vědy, ovšem jen málo prací se zabývá řešením problému, kdy klasifikovaný text nenapsal nikdo z autorů, které model viděl při trénování. Tato práce hledá způsob, jak takového neznámého autora detekovat v rámci stejných metod strojového učení, které se pro přiřazení autorství běžně používají, zejména klasifikátoru SVM. Zavádíme zde upravené klasifikační schéma One-versus-Rest-and-None které rozšiřuje schéma One-versus-Rest o trénování pomocí dat, která nepatří žádnému klasifikovanému autorovi. K tomu lze využít synteticky vytvořená data, nebo data od autorů, u kterých je jisté, že s klasifikovanými texty nejsou nijak spojeni. Ukázalo se, že právě při použití syntetických dat dojde k nejmenšímu snížení přesnosti oproti klasifikaci bez detekce neznámého autora.

Statistical and computational authorship attribution is a widely researched topic in literary science, but few works deal with solving the problem when the classified text does not belong to any of the authors the model saw during training. This work seeks a way to detect such an unknown author using machine learning methods commonly used for authorship attribution, especially the SVM classifier. He we introduce a modified One-versus-Rest-and-None classification scheme, which extends the One-versus-Rest scheme by training with data that does not belong to any classified author. This can be done using synthetically produced data or data from authors who are certain to have no connection to the classified texts. It turned out that the smallest decrease in accuracy occurred when synthetic data is used, compared to the classification without detection of an unknown author.