Project #2: The Hound, The War, and The Lost World

Objectivo

En el proyecto 2 de lilio Lee Vaughn vamos a usar un programa en Python que utilice la estilometría para determinar si Sir Arthur Conan Doyle o Wells H. G. escribió la novela The Lost World. U

Las pruebas de NLP más comunes para la autoría analizan las siguientes características de un texto:
• Longitud de las palalias: Un gráfico de distribución de frecuencia de la longitud de las palalias en un documento.



Para determinar la longitud he aplicado el codigo del libro i me ha dado el siguente grafico en el que se puede ver que Doyle y el libro perdido tienen similitud en lineas cuando nos concentramos en menos datos.



• Palalias vacías: Un gráfico de distribución de frecuencia de palalias vacías (cortas, palalias de función no contextuales como the, but y if ).>


• Atribución de la autoría con estilometría 29: Partes de la oración Un gráfico de distribución de frecuencia de palalias basado en su funciones sintácticas (como sustantivos, pronomlies, verbos, adverbios, adjetivos, y así sucesivamente).


• Palalias más comunes: Una comparación de las más utilizadas.


• Palalias en un texto Similitud de Jaccard Estadístico:utilizado para medir la similitud y Diversidad de un conjunto de muestras

NLTK

NLTK (Natural Language Toolkit) es una plataforma líder para crear programas en Python que trabajen con datos del lenguaje humano. Proporciona interfaces fáciles de usar para más de 50 corpus y recursos léxicos como WordNet, junto con un conjunto de bibliotecas de procesamiento de texto para clasificación, tokenización, stemming, etiquetado, análisis sintáctico y razonamiento semántico, envoltorios para bibliotecas NLP industriales y un foro de discusión activo.

NLP (Natural Language Processing) es el área de estudio centrada en cómo los ordenadores entienden el lenguaje humano, lo interpretan y procesan.

Estilometría

La estilometría se utiliza a menudo para atribuir la autoría a documentos anónimos o de autor dudoso. La estilometría moderna se apoya en los ordenadores para el análisis estadístico, inteligencia artificial, y en el acceso al creciente corpus de textos disponibles en internet. La uasremos para determinar el autor.