Метод парафраз-інваріантної стилометричної проекції для атрибуції авторства текстів

Анотація

Класичні стилометричні класифікатори авторства, попри високу точність на оригінальних текстах, демонструють значне падіння якості, коли вхідний текст переписано сучасними нейромережевими парафразерами. Опубліковані бенчмарки для атрибуції авторства зазвичай змішують ефект парафразування зі зміною тематики, тому величина чистого падіння точності, спричиненого саме парафразом, залишається маловивченою. У статті досліджено ізольований вплив парафразу на точність стилометричної атрибуції та запропоновано метод PISP-Light (Paraphrase-Invariant Stylometric Projection) – парафраз-інваріантну стилометричну проекцію. Метод застосовує сингулярне розкладення матриці різниць між стилометричними векторами оригінальних і парафразованих тренувальних текстів і будує проектор у підпростір, ортогональний до головних напрямків парафразного шуму. На відміну від парафраз-аугментації, парафрази в PISP слугують діагностичним інструментом для виявлення шумової підструктури, а не додатковими навчальними прикладами. Введено метрику Paraphrase Robustness Drop (PRD) для відтворюваного порівняння методів за стійкістю до парафразу. Експерименти на корпусі The Guardian (13 авторів, 5 випадкових ініціалізацій) показали, що класифікатор на символьних n-грамах зберігає 34 % початкової точності після парафразування, тоді як стилометричний baseline втрачає близько 80 %. У межах стилометричного простору ознак метод PISP із фіксованим порогом пояснюваної дисперсії τ = 0.7 м'яко поліпшує парафразну стійкість (PRD з 0.797 до 0.780) ціною помірного зниження точності на оригінальному тесті. Діагностичний аналіз кривої кумулятивної пояснюваної дисперсії показав, що парафразний шум у стилометричному просторі має лише частково низькорангову структуру, що визначає принципову межу лінійної проекції. Результати мають значення для розробки програмного забезпечення ідентифікації авторства та джерела інформації в мережі Інтернет, стійкого до навмисних перетворень тексту.

Ключові слова: інженерія програмного забезпечення, атрибуція авторства, стилометрія, парафразування, робастність, сингулярне розкладення, нейромережеві перетворення тексту, обчислювальна стилістика, ідентифікація джерела інформації.