Authorship Attribution: Comparison of Single-layer and Double-layer Machine Learning
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F12%3A00060281" target="_blank" >RIV/00216224:14330/12:00060281 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-642-32790-2_34" target="_blank" >http://dx.doi.org/10.1007/978-3-642-32790-2_34</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-642-32790-2_34" target="_blank" >10.1007/978-3-642-32790-2_34</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Authorship Attribution: Comparison of Single-layer and Double-layer Machine Learning
Popis výsledku v původním jazyce
In the traditional authorship attribution task, forensic linguistic specialists analyse and compare documents to determine who was their (real) author. In the current days, the number of anonymous docu- ments is growing ceaselessly because of Internet expansion. That is why the manual part of the authorship attribution process needs to be replaced with automatic methods. Specialized algorithms (SA) like delta-score and word length statistic were developed to quantify the similarity between documents, but currently prevailing techniques build upon the machine learning (ML) approach. In this paper, two machine learning approaches are compared: Single-layer ML, where the results of SA (similarities of documents) are used as input attributes for the machine learning, and Double-layer ML with the numerical information characterizing the author being extracted from documents and divided into several groups.
Název v anglickém jazyce
Authorship Attribution: Comparison of Single-layer and Double-layer Machine Learning
Popis výsledku anglicky
In the traditional authorship attribution task, forensic linguistic specialists analyse and compare documents to determine who was their (real) author. In the current days, the number of anonymous docu- ments is growing ceaselessly because of Internet expansion. That is why the manual part of the authorship attribution process needs to be replaced with automatic methods. Specialized algorithms (SA) like delta-score and word length statistic were developed to quantify the similarity between documents, but currently prevailing techniques build upon the machine learning (ML) approach. In this paper, two machine learning approaches are compared: Single-layer ML, where the results of SA (similarities of documents) are used as input attributes for the machine learning, and Double-layer ML with the numerical information characterizing the author being extracted from documents and divided into several groups.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
AI - Jazykověda
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/VF20102014003" target="_blank" >VF20102014003: Analýza přirozeného jazyka v prostředí internetu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2012
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Text, Speech and Dialogue - 15th International Conference
ISBN
9783642327896
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
8
Strana od-do
282-289
Název nakladatele
Springer
Místo vydání
Brno
Místo konání akce
Brno, Czech Republic
Datum konání akce
3. 9. 2012
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—