Определение особенностей авторского стиля поэтов «озерной школы» методами машинного обучения

Статья посвящена исследованию стилистических особенностей поэзии представителей «озерной школы». Методология исследования включала в себя несколько этапов. Первоначально был сформирован англоязычный корпус текстов, состоящий из 99 поэтических произведений трех авторов, принадлежащих к данному литературному направлению. На данном этапе была осуществлена предварительная обработка текстов и извлечение релевантных признаков. Далее для представления поэтических текстов была применена модель пространства текстовых векторов. С целью анализа и идентификации уникальных стилистических характеристик каждого поэта была использована матрица признаков, проанализированная с применением пяти распространенных алгоритмов машинного обучения, включая метод опорных векторов (SVM) и случайный лес (Random Forest). Для решения проблемы несбалансированности данных была применена техника оверсэмплинга SMOTE (Synthetic Minority Oversampling Technique), что позволило повысить точность классификации. В частности, модифицированная модель SVM достигла F1-меры, превышающей 90 %, в задаче распознавания авторства поэтических текстов. На заключительном этапе исследования было проведено сопоставление комплексных стилистических характеристик поэзии трех авторов, что позволило выявить значимые различия в их индивидуальных стилях. Результаты исследования предоставляют ценную информацию для дальнейшего изучения в области анализа стилистических особенностей поэзии.

1. Андреев В. С. Классификация стихотворных текстов методом дискриминантного анализа // Математическая морфология: электронный математический и медико-биологический журнал. 2003. Т. 5, № 1. С. 58–70.

2. Андреев В. С. Статистическая оценка динамики стиля: лирика В. Набокова в зеркале частей речи // Известия Смоленского государственного университета. 2022. Т. 60, № 4. С. 81–91. DOI: 10.35785/2072-9464-2022-60-4-81-91

3. Барахнин В. Б., Кожемякина О. Ю. Об автоматизации комплексного анализа русского поэтического текста // CEUR Workshop Proceedings, Pereslavl-Zalessky, 15–18 октября 2012 года. С. 167–171.

4. Лотман Ю. М. Структура художественного текста // Лотман Ю. М. Об искусстве. – СПб.: Искусство– СПБ, 1998. С. 14–288.

5. Орехов Б. В. Текст и перевод Владимира Набокова через призму стилеметрии // Новый филологический вестник. 2021. Т. 58, №3. С. 200–213.

6. Abbasi A., Javed A.R., Iqbal F., Jalil Z., Gadekallu T.R., Kryvinska N. Authorship identification using ensemble learning. // Sci Rep. 2022. 12, 9537. DOI: 10.1038/s41598-022-13690-4

7. Barakhnin V., Kozhemyakina O., Grigorieva I. Determination of the Features of the Author’s Style of A.S. Pushkin’s Poems by Machine Learning Methods. //Appl. Sci. 2022. 12, 1674. DOI: 10.3390/app12031674

8. Chawla N. V., Bowyer K., Hall L. O., Kegelmeyer W. P. SMOTE: Synthetic Minority Oversampling Technique // Journal of Artificial Intelligence Research. 2002. Vol. 16, No. 1. P. 321– 357. DOI:10.1613/jair.953

9. Kaur J., Buttar P.K. Stopwords Removal and its Algorithms Based on Different Methods // Int. J. of Adv.Research in Comp.Sci. 2018. Vol. 9. No. 5. P. 80–88. DOI: 10.26483/ijarcs.v9i5.6301

10. Oakes M. P., Computer stylometry of C. S. Lewis’s The Dark Tower and related texts // Digital Scholarship in the Humanities. 2018. Vol. 33. No. 3. P. 637–650. DOI: 10.1093/llc/fqx043

11. Plecháč P.; Bobenhausen K.; Hammeric B. Versification and authorship attribution. A pilot study on Czech, German, Spanish, and English poetry // Studia Metr. Poet. 2018, Vol. 5. No. 12. P. 29–54. DOI: 10.12697/smp.2018.5.2.02

12. Romanov A., Kurtukova A., Shelupanov A., Fedotova A., Goncharov V. Authorship Identification of a Russian-Language Text Using Support Vector Machine and Deep Neural Networks. //Future Internet. 2021. Vol. 13. No. 1. DOI:10.3390/fi13010003

13. Timofeeva M. Comparative Analysis of Reasoning in Russian Classic Poetry //Appl. Sci. 2021. 11, 8665. DOI: 10.3390/app11188665