比较词的间歇性与网络测量及其对作者风格的依赖
物理与社会
2013-02-20 v1 计算与语言
社会与信息网络
数据分析、统计与概率
摘要
现在，利用复杂网络和动力系统的概念，可以通过统计分析推断出文本和语言的许多特征。本文量化了词共现网络的拓扑性质以及词分布中的间歇性（或突发性）如何依赖于作者的风格。我们的数据库包含来自8位生活在19世纪和20世纪的作者的40本书，并获得了以下网络测量值：聚类系数、平均最短路径长度和介数。我们发现，对作者风格依赖性更强的两个因素是词间歇性分布的偏度和平均最短路径。其他因素，如介数和齐普夫定律指数，对作者风格的依赖性较弱。还评估了每种测量值对作者身份识别的贡献，使用了三种机器学习方法。最佳性能是在结合复杂网络和间歇性特征与最近邻算法时达到约65%的准确率。通过对各种指标相互依赖性的详细分析，得出结论：本文使用的方法在提供文本的短程和长程视角方面是互补的，这对于主题词识别和信息检索等应用非常有用。
引用
@article{arxiv.1112.6045,
title = {Comparing intermittency and network measurements of words and their dependency on authorship},
author = {Diego R. Amancio and Eduardo G. Altmann and Osvaldo N. Oliveira and Luciano da F. Costa},
journal= {arXiv preprint arXiv:1112.6045},
year = {2013}
}