Documente Academic
Documente Profesional
Documente Cultură
Exista tehnici care pot determina genul autorului unui text cu o precizie de 80%.
Aceleasi tehnici dau o precizie de 98% daca sunt folosite pentru incadrarea unui
text in una din categoriile: fictiune, non-fictiune.
Etapele categorizarii:
• un protocol de testare.
Autorii studiului folosesc 566 documente din British National Corpus, fiecare
etichetat cu genul autorului, genul scrierii. Nici un autor nu a scris mai mult de 3
documente din corpus. Documentele contin 34.320 de cuvinte, in medie.
Atribute:
In total, avem 1081 de atribute. Valorile asociate cuvintelor de legatura si perechilor au fost dublate,
iar cele asociate tripletelor au fost triplate.
Pagina 1
proprietatea ca w*x > T, daca si numai daca documentul x este scris de o femeie,
unde T este o valoare data.
Initial w=w++w-
w+={1,1,…,1}
w-={-1,-1,…,-1}
w+i= w+i*(1+b*xi)c(x)-s(w,x)
w-i= w-i*(1+b*xi)s(w,x)-c(x)
c(x)=0, altfel
s(w*x)=0, altfel
Ponderile atributelor care apar cel mai frecvent in documentele clasificate gresit
sunt modificate cel mai mult. Atributele irelevante vor avea ponderi apropiate de
0.
Updatarea continua pana cand toate exemplele sunt clasificate corect sau daca in
100 de cicluri consecutive nu se produce nici o imbunatatire a valorilor.
Rezultate
2. doar tag-urile[70.5%]
Pagina 2
Reducerea numarului de atribute
fictiune
barbati – a, the, as
femei – she, for, with, not
non-fictiune
barbati – that, one
femei – for, with, not, and, in
In cazul textelor de fictiune, femeile folosesc de doua ori mai mult she decat
barbatii. Pentru non-fictiune, diferenta este si mai mare: femeile folosesc she de
trei ori mai mult decat barbatii. Pentru he, frecventa este similara pentru femei si
barbati.
Fictiune Non-fictiune
Atribut M F M F
PNP 732 809 291 331
he 145 135 47.5 48.1
she 67 139 8.73 21.5
AT0 735 626 884 822
DT0 160 153 220 204
the 520 418 611 614
XX0 84 98 54 55
PRP 623 615 767 763
PRF 170 158 355 324
for 55.7 61.3 77.9 90.7
with 58.6 66.5 56.9 67.8
and 234 249 242 287
Pagina 3
Concluzii
Anexa
EX0 there cu sens existential, i.e. there is ..., there are ...
Pagina 4
NN1 Substantive la singular (pencil, goose, time, revelation)
POS Posesivul 's sau ' (pentru 'Peter's or somebody else's', secventa de taguri este: NP0 POS
CJC PNI AV0 POS)
PRP Prepozitii (fara of) (about, at, in, on, on behalf of, with)
PUN Punctuatie: . . , ! , : ; - ?
TO0 to de la infinitiv
VBG being
VBI be
VBN been
VDB do
VDD did
Pagina 5
VDG doing
VDI do
VDN done
VHG having
VHI have
VHN had
Pagina 6