Автоматический независимый от языка анализ авторства патристических текстов на основании статистики частот переходов

Фоминых Станислав Владимирович инженер 1-й категории, ОАО НПК НИИДАР 117623, Россия, г. Москва, ул. 8 Марта, 10 Fominykh Stanislav Vladimirovich Engineer of the Ist Category, Open Joint-Stock Company Research and Production Complex "Scientific and Research Institute for Long-Distance Radio Communications" 8 Marta ulitsa, 10, Moscow 117623 Russia phominykh-vv@mail.ru

Постановка задачи

Задача автоматического определения авторства может рассматриваться как частный случай задачи классификации по прецедентам. Данный класс задач решается сравнением анализируемого объекта с эталонами (прецедентам) по некоторым признакам. Нахождение возможности выделения из анализируемых текстов признаков без интерпретации языка, на котором эти тексты написаны, означает, что исследователь, вообще говоря, может не знать используемый в текстах язык.

Пусть есть авторов, имеющих соответствующие им эталонные тексты. Под задачей идентификации авторства будем понимать автоматическое определение наиболее вероятного автора из заданных вариантов для некоторого текста, не входящего ни в один из эталонных текстов. Под эталонным текстом не обязательно понимается одно законченное произведение, он может состоять из соединения нескольких текстов данного автора или лишь части одного сочинения.

Описание методики

Предлагаемый метод основан на анализе близости распределений частот переходов одних двухбуквенных сочетаний в другие (признаки) в анализируемом тексте и в эталонных текстах каждого автора. Данный подход был изложен в 2000 г. Д. В. Хмелевым ^[7]. Ранее подсчет частоты двухбуквенных сочетаний (но не их переходов) для определения авторства предлагался В. Беннеттом в 1976 г. ^{[14, p. 257]}. Д. В. Хмелев, однако, основывался на исследовании А. А. Маркова начала XX в. ^[7]. Впоследствии подходы, основанные на обработке буквенных последовательностей (в широком смысле), были признаны одним из наиболее эффективных способов для определения авторства ^{[16; 18]}.

Пусть имеется текст, состоящий из пробелов и символов некоего алфавита. Подсчитаем в этом тексте количество последовательных переходов одних двухбуквенных сочетаний в другие. В качестве примера приведем начальные слова 1-го слова свт. Григория Богослова: “ἀναστάσεως ἡμέρα, καὶ ἡ ἀρχὴ δεξιά”. Количество переходов двухбуквенных сочетаний в этом тексте предлагается считать следующим образом: ἀν → ασ = 1; ασ → τά = 1; τά → σε = 1; σε → ως = 1; ἡμ → έρ = 1; ἀρ → χὴ = 1; δε → ξι = 1.

Имея данные о таких переходах для всего анализируемого текста, можно провести их сравнение с аналогичными данными для эталонных текстов всех авторов. Для каждой пары «анализируемый текст – эталонный текст» (всего пар по количеству авторов) введем числовую характеристику для оценки близости текстов. Автором анализируемого текста при таком подходе будет считаться тот, чей эталонный текст по заданной характеристике, т. е. расстоянию, окажется наиболее близок к анализируемому тексту. Такой подход предполагает выполнение гипотезы компактности: тексты одного автора образуют компактное множество в пространстве выбранных признаков ^{[3; 4]}. Предположение о выполнении данной гипотезы лежит в основе большинства алгоритмов распознавания ^{[3; 4, с. 115]}. Компактность понимается здесь не в математическом, а в «бытовом» смысле ^{[2; 4, с. 115]} и в данной задаче означает, что гистограммы частот переходов двухбуквенных сочетаний для текстов одного автора должны быть похожи.

Выбор подходящего расстояния (меры схожести) в подобных задачах является достаточно сложной и мало изученной проблемой ^[2]. В ^[6] было проанализировано 5 способов подсчитать расстояние между текстами по используемым признакам (в т. ч. способ, предложенный Д. В. Хмелевым) и эмпирическим путем установлена наибольшая эффективность подсчета расстояния хи-квадрат ^{[6; 9, p. 300, 303]}:

– число переходов из i-го двухбуквенного сочетания в j-ое в анализируемом тексте, – общее число переходов в анализируемом тексте, и – аналогичные величины для эталонного текста, – общее число двухбуквенных сочетаний в обоих текстах.

Так же предлагается использовать расстояние Топсе (Topsøe) из семейства энтропийных расстояний ^{[9, p. 303; 12]}:

и расстояние Джеффриса-Матусита (Jeffries-Matusita), которое, хотя и принадлежит к тому же семейству «квадратичных» (L2) расстояний, что и хи-квадрат, но, в отличие от двух приведенных выше расстояний, является метрикой (в отличие от них для него выполнено неравенство треугольника) ^{[9, p. 303; 12]}:

Автором текста будет считаться тот, у кого значение используемого расстояния для пары «анализируемый текст – эталонный текст» окажется наименьшим.

Предложенный алгоритм не зависит от языка, на котором написаны анализируемые тексты ^{[5, с. 97]} и, в силу вида используемых расстояний, имеет некоторую устойчивость к выбросам в данных, например, ошибкам оптического распознавания символов (OCR).

Верификация

Для верификации предлагаемой методики был подготовлен корпус патристических текстов на древнегреческом языке из 10 авторов со II по XII век. Использовались свободные распознанные тексты издания Patrologia Graeca (PG) ^[15] из Open Migne Project (тексты с ошибками распознавания и без вычитывания человеком). Ниже приводится список авторов и соответствующие им тексты, в скобках указывается номер текста по Clavis Patrum Graecorum (CPG):

1. Прав. Климент Александрийский: Protrepticus (CPG 1375) (частично), Stromata (CPG 1377) (частично); 2. Свт. Афанасий Великий: Contra gentes (CPG 2090), De incarnatione Verbi (CPG 2091), Epistula ad episcopos Aegypti et Libyae (CPG 2092), In illud: Omnia mihi tradita sunt (CPG 2099), De decretis Nicaenae synodi (CPG 2120), De sententia Dionysii (CPG 2121), Apologia de fuga sua (CPG 2122), Apologia contra arianos sive apologia secunda (CPG 2123), Epistula encyclica (CPG 2124), Apologia ad Constantium imperatorem (CPG 2129); 3. Свт. Епифаний Кипрский: Panarion (Adversus haereses) (CPG 3745) (частично); 4. Свт. Василий Великий: Homiliae in Hexaemeron (CPG 2835), Homiliae super Psalmos (CPG 2836), Adversus Eunomium (CPG 2837) (первые 3 книги, частично), De Spiritu Sancto (CPG 2839); 5. Свт. Григорий Нисский: Contra Eunomium (CPG 3135), Ad Ablabium quod non sint tres dei (CPG 3139), Contra fatum (CPG 3152), Homiliae in Ecclesiasten (CPG 3157); 6. Свт. Григорий Богослов: Orationes (CPG 3010) (частично: слова 1-2, 3 (частично), 4-9, 14, 15 (частично), 16-19, 40-43); 7. Свт. Иоанн Златоуст: Homiliae in Genesim (CPG 4409); 8. Свт. Кирилл Александрийский: De adoratione et cultu in spiritu et veritate (CPG 5200) (частично); 9. Преп. Иоанн Дамаскин: Dialectica (CPG 8041), Expositio accurata Fidei Orthodoxae (CPG 8043), Contra imaginum calumniatores orationes tres (CPG 8045); 10. Свт. Феофилакт Болгарский: Enarratio in Evangelium Matthaei, Marci et Lucae.

Все тексты кодировались в UTF-8 в нормальной форме KD (normalization form KD – NFKD), т. к. в юникоде визуально неотличимые символы в контексте вычислительной среды могут считаться различными, а NFKD позволяет в этом смысле унифицировать тексты, полученные из разных источников (подробнее см. в ^[17]).

Для всех авторов их тексты объединялись через пробел в один текст. Во всех получившихся текстах удалялись все символы, не являющиеся буквами и пробелами (в т. ч. придыхания и ударения). Такой прием в т. ч. минимизирует предварительную ручную обработку входных текстов: например, пропадает необходимость удалять некоторые возможные ошибки автоматически распознанного текста в середине слова. Между словами оставлялось только по одному пробелу и все буквы в верхнем регистре переводились в нижний.

Тестирование точности описанной выше методики проводилось методом повторяющегося скользящего контроля по k-блокам (repeated k-fold cross-validation) ^{[8, p. 331]} – стандартной процедурой применяющейся для таких проверок и позволяющей при тестировании учесть всю имеющуюся выборку. Опишем ее применительно к нашим данным. Пусть есть 2 автора и соответствующие им тексты. Разобьем эти тексты, например, на 3 последовательных равных по размеру фрагмента (количество фрагментов является одним из параметров метода тестирования и может меняться):

Для каждого автора каждый из получившихся фрагментов будем сравнивать с объединениями соответствующих оставшихся фрагментов. Для данного примера будут выполнены следующие сравнения: 1.1 с 1.2 ∪ 1.3, 1.1 с 2.2 ∪ 2.3 (т. е. при сравнении фрагмента 1.1 с другими фрагментами, соответствующий ему фрагмент 2.1 другого автора не учитывается; это позволяет достичь равенства эталонных фрагментов, с которыми происходит сравнение), 1.2 с 1.1 ∪ 1.3, 1.2 с 2.1 ∪ 2.3 и т. д. При разбиении всего текста на 3 фрагмента отношение анализируемого фрагмента и оставшихся объединений (эталонного текста) будет, соответственно, 1 к 2.

Для примера выше было рассмотрено последовательное разбиение текста. В повторяющемся скользящем контроле по k-блокам разбиение на равные фрагменты производится не последовательно, но начало нового фрагмента определяется псевдо-случайно ^{[8, p. 331]}. Если полученный индекс начала нового фрагмента указывал на пробел или на часть слова, то, по возможности, индекс передвигался в тексте вперед до начала нового слова для обеспечения более правдоподобного разбиения с целым словом (а не частью слова) в начале фрагмента.

Для каждого результата точности проводилось 1 000 запусков алгоритма. Точность определялась как процентное отношение правильных ответов ко всем ответам.

В столбцах таблиц 1 и 2 приводятся результаты точности (в процентах) работы описанного алгоритма в зависимости от величин анализируемого и эталонного текстов и использованного расстояния. Разбиение для каждого из авторов соответствующего им текста в 100 000 символов на 10 фрагментов означает, что анализируемый текст состоял из 10 000 символов, а эталонные тексты для каждого из авторов – из 90 000 (1 к 9).

Загрузка текстов для каждого автора происходила в той последовательности, как они перечислены выше при описании тестового корпуса текстов, и прекращалась при достижении необходимого количества символов (т. е. последний загруженный текст автора мог быть загружен лишь частично).

Таблица 1. Точность работы алгоритма в зависимости от величин анализируемого и эталонного текстов и использованного расстояния (разбиение на 2 и 10 фрагментов).

Таблица 2. Точность работы алгоритма в зависимости от величин анализируемого и эталонного текстов и использованного расстояния (разбиение на 20 и 30 фрагментов).

Из полученных результатов скользящего контроля можно сделать следующие выводы:

1) При использовании расстояния хи-квадрат и отношении анализируемого текста к эталонному как 1 к 9 (т. е. изначальный текст делился на 10 фрагментов) точность свыше 90% достигается с величины анализируемого текста в 2 500 символов, а эталонного – в 22 500. Меньшие величины исходных текстов при таком делении, видимо, не дают должного количества данных для более точного различения авторов. Такая точность обеспечивает возможность решать довольно широкий спектр потенциальных задач.

2) Метрика Джеффриса-Матусита показывает лучшие результаты при небольших объемах текстов и значительном различии величины анализируемого текста от эталонного (1 к 19 и 1 к 29), но при увеличении объемов текстов и сохранении их соотношений использование расстояния хи-квадрат дает большую точность.

3) Расстояние Топсе при небольших объемах текстов и значительном различии величины анализируемого текста от эталонного (1 к 19 и 1 к 29) оказалось лучше расстояния хи-квадрат, но хуже метрики Джеффриса-Матусита. В других тестах точность с расстоянием Топсе, в целом, довольно близка к результатам с хи-квадрат. Имея в виду, что расстояние Топсе принадлежит к другому семейству расстояний, чем хи-квадрат, первое можно использовать для перепроверки результатов последнего.

4) Для большинства результатов (кроме 17 из 132 – 12,9%), приведенных в таблицах 1 и 2, доля неправильных ответов, где истинный автор был на 2-м месте из 10 возможных, превышала 50%.

5) Хотя расстояние Джеффриса-Матусита является метрикой, его использование не везде дало лучшие результаты, хотя, теоретически, имея в виду, что в отличие от двух других рассмотренных расстояний для него выполняется неравенство треугольника, этого можно было бы ожидать.

Эффективность данного метода, похоже, связана с тем, что статистика по переходам двухбуквенных сочетаний содержит некоторую информацию о предпочитаемом автором стиле и синтаксических конструкциях, а также – об авторском словаре ^{[5, с. 104-105]}.

При использованной процедуре скользящего контроля может случиться так, что анализируемый и эталонный тексты будут принадлежать одному произведению какого-либо автора. Такое деление при тестировании точности несколько искусственно и на практике довольно часто встречается задача анализа одного законченного произведения. Ниже проводится анализ авторства 35 отдельный текстов 3-х авторов, в качестве эталонов используется описанный выше корпус текстов из 10 авторов (по 700 000 символов для каждого). Анализируемые тексты (взяты из ^[19]):

1. Свт. Афанасий Великий: Vita s. Antonii (CPG 2101); 2. Свт. Григорий Богослов: Orationes (CPG 3010) (частично: слова 10-13, 20-39, 44, 45); 3. Свт. Иоанн Златоуст: Adversus judaeos orationes (CPG 4327) (8 слов).

При использовании расстояния хи-квадрат неверно было определено авторство 5 текстов из 35 анализируемых (14%), а именно: слова свт. Григория Богослова № 20, 29-31 и 35. Для всех этих неверно классифицированных слов автором был определен свт. Григорий Нисский. Для слов № 20 и 35 свт. Григорий Богослов оказался на втором месте претендентов на авторство (из 10 возможных), для слов № 29-31 на втором месте был преп. Иоанн Дамаскин. Для 21 верно определенного слова свт. Григория Богослова наиболее популярными авторами, оказавшимися на втором месте, были свт. Григорий Нисский (10 слов) и свт. Василий Великий (9 слов). Все слова с неправильно определенным авторством с расстоянием хи-квадрат так же были ошибочно классифицированы и с расстояниями Топсе и Джеффриса-Матусита. Кроме этого, с последними двумя расстояниями было неправильно определено авторство слов свт. Григория Богослова № 22 и 28 как принадлежащих свт. Григорию Нисскому (в качестве возможных авторов свт. Григорий Богослов был определен на втором месте).

Определение авторства текстов Decreationehominissermo 1, 2 (CPG 3215, 3216)

В качестве примера работы описанной методики для решения реальных задач атрибуции рассмотрим ее применение для определения авторства текстов De creatione hominis sermo 1, 2 (CPG 3215, 3216), которые в одних рукописях приписываются свт. Василию Великому, а в других – его младшему брату свт. Григорию Нисскому ^[1].

Пример приводится для иллюстрации работы описанного подхода и обсуждения некоторых ограничений. При реальном решении задач следует использовать не один классификатор, а набор различных подходов.

В таблице 3 приводятся данные об анализируемых и эталонных текстах для двух претендентов на авторство. Тексты Homiliae in Hexaemeron (CPG 2835) и De opificio hominis (CPG 3154) взяты из ^[10], а De creatione hominis sermo 1, 2 (CPG 3215, 3216) – из Open Migne Project.

Таблица 3. Данные об анализируемых и эталонных текстах.

В качестве эталонного текста для свт. Василия Великого были выбраны Homiliae in Hexaemeron (CPG 2835), поскольку анализируемые тексты (CPG 3215, 3216) предполагаются как их продолжение, а для свт. Григория Нисского – De opificio hominis (CPG 3154), так как это сочинение имеет близкую к анализируемым текстам тему. Представляется, что подбор эталонных текстов нужно стараться согласовывать с жанром и темой анализируемого текста (см.: ^{[13, p. 580]}). Например, используя в качестве эталона для одного автора произведение стихотворное, а для другого – написанное изречениями-сотницами, вполне можно получить нерелевантные результаты при определении авторства прозаической гомилии, поскольку такие эталонные тексты не будут давать репрезентативной статистической выборки для данной задачи, ведь их стиль заметно отличается не только между собой, но и с анализируемым текстом.

Перед анализом была проведена проверка эталонных текстов повторяющимся скользящим контролем по k-блокам с разбиением на 7 фрагментов, т. к. при таком значении размер выделяемых фрагментов текстов примерно соответствует размерам текстов анализируемых. Оказалось, что эталонные тексты хорошо различаются описанной методикой и точность проверки составила 100% для всех расстояний, т. е. на 1 000 запусках авторство всех фрагментов оказалось определено верно.

Для обоих текстов De creatione hominis sermo 1, 2 (CPG 3215, 3216) автором был определен свт. Василий Великий. Результаты вычисления всех расстояний для каждого автора приводятся в таблице 4.

Таблица 4. Результат работы алгоритма определения авторства текстов De creatione hominis sermo 1, 2 (CPG 3215, 3216). Автором считается тот, для кого вычисленное расстояние оказалось наименьшим. Для обоих текстов автором был определен свт. Василий Великий.