Statistical methods in stylometry
| Thesis title: | Statistické metody ve stylometrii |
|---|---|
| Author: | Dupal, Pavel |
| Thesis type: | Diplomová práce |
| Supervisor: | Kaspříková, Nikola |
| Opponents: | Šulc, Zdeněk |
| Thesis language: | Česky |
| Abstract: | Cílem této práce je podat přehled nejpoužívanějších metod v odvětví identifikace autorského stylu (stylometrii). Úvodem je zrekapitulována historie tohoto oboru od konce 19. století do současnosti a je uvedena a vysvětlena potřebná terminologie z oblasti dolování znalostí z textu. Následuje představení několika vybraných metod z oblasti vícerozměrné statistiky (např. metoda hlavních komponent, shluková analýza) a strojového učení (Support Vector Machines, Naive Bayes) a jejich aplikace na stylometrické problémy, včetně několika metod vytvořených specificky pro použití v této oblasti (bootstrap consensus tree, kontrastní analýza). Nakonec jsou tyto metody aplikovány na praktický příklad verifikace autorství založeném na korpusu sestaveném z děl čtyř internetových spisovatelů. |
| Keywords: | verifikace autorství; dolování znalostí z textu; R; vícerozměrná statistika; stylometrie; předzpracování textu |
| Thesis title: | Statistical methods in stylometry |
|---|---|
| Author: | Dupal, Pavel |
| Thesis type: | Diploma thesis |
| Supervisor: | Kaspříková, Nikola |
| Opponents: | Šulc, Zdeněk |
| Thesis language: | Česky |
| Abstract: | The aim of this thesis is to provide an overview of some of the commonly used methods in the area of authorship attribution (stylometry). The text begins with a recap of history from the end of the 19th century to present time and the required terminology from the field of text mining is presented and explained. What follows is a list of selected methods from the field of multidimensional statistics (principal components analysis, cluster analysis) and machine learning (Support Vector Machines, Naive Bayes) and their application as pertains to stylometrical problems, including several methods created specifically for use in this field (bootstrap consensus tree, contrast analysis). Finally these same methods are applied to a practical problem of authorship verification based on a corpus bulit from the works of four internet writers. |
| Keywords: | text preprocessing; text mining; stylometry; authorship verification; R; multidimensional statistics |
Information about study
| Study programme: | Kvantitativní metody v ekonomice/Statistika |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Mathematics |
Information on submission and defense
| Date of assignment: | 19. 2. 2017 |
|---|---|
| Date of submission: | 1. 6. 2017 |
| Date of defense: | 8. 6. 2017 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/60842/podrobnosti |