انتخاب ویژگی برای شناسایی نویسنده در متون کوتاه برخط فارسی

رشد فزاینده‏ی استفاده از رسانه‌های اجتماعی و ارتباطات برخط به‌منظور بیان نظرات، تبادل عقاید و همچنین گسترش استفاده‏ی کاربران فارسی زبان از این ابزارها باعث افزایش متون فارسی در وب شده است. این رشد چشمگیر در کنار سوءاستفاده‏های ناشی از ناشناس بودن نویسنده‏ی نوشته ‏ها نیاز به سامانه‏ ی خودکار شناسایی نویسنده در این زبان را بیش از پیش آشکار می‌سازد. هدف از این پژوهش، بررسی ویژگی‌های موثر در شناسایی نویسندگان نظرات فارسی تولید شده توسط خریداران گوشی و همچنین ارزیابی روش‌های نظارتی و غیرنظارتی می‌باشد. عواملی که در این پژوهش بررسی می‏شود شامل ویژگی‌های لغوی، نگارشی، معنایی، ساختاری، دستوری، مختص متن و مختص شبکه‌های اجتماعی است. پس از استخراج ویژگی‌های مذکور، انتخاب ویژگی‌های برتر توسط چهار الگوریتم همبستگی ویژگی، نسبت بهره، OneR و تحلیل اجزای اصلی آزمایش می‏شود. در ادامه از الگوریتم‏های K-means، EM و خوشه ‏بندی مبتنی بر چگالی برای خوشه‌بندی و الگوریتم‏ های شبکه‏ ی بیز، جنگل تصادفی و Bagging برای دسته‏بندی استفاده خواهد شد. ارزیابی الگوریتم‌های فوق بر روی نظرات فارسی مربوط به خریداران گوشی‌های سامسونگ نشان می‏دهد که بهترین تشخیص در بین الگوریتم‏های خوشه‏بندی با دقت 16/59% مربوط به الگوریتم EM روی 15 ویژگی‌ برتر انتخابی توسطOneR است درحالی‌که الگوریتم جنگل تصادفی به‌همراه نسبت بهره برای 90 ویژگی با دقت 57/79% بهترین کارایی را در بین الگوریتم‏های دسته‏بندی دارد. همچنین مقایسه‌ی ویژگی‌ها نشان داد که ویژگی‌های نگارشی بیشترین تاثیر را در شناسایی نویسنده‏ی متون کوتاه داشته و پس از آن‌ به‌ترتیب ویژگی‌های لغوی ، مختص متن، مختص شبکه‌های اجتماعی، ساختاری، دستوری و معنایی قرار گرفتند.