Determining Window Size from Plagiarism Corpus for Stylometric Features

Varování

Publikace nespadá pod Ekonomicko-správní fakultu, ale pod Fakultu informatiky. Oficiální stránka publikace je na webu muni.cz.
Autoři

SUCHOMEL Šimon BRANDEJS Michal

Rok publikování 2015
Druh Článek ve sborníku
Konference Experimental IR Meets Multilinguality, Multimodality, and Interaction
Fakulta / Pracoviště MU

Fakulta informatiky

Citace
www Springer Link
Doi http://dx.doi.org/10.1007/978-3-319-24027-5_31
Obor Informatika
Klíčová slova plagiarism; average word frequency class; stylometry; text classification; intrinsic plagiarism
Přiložené soubory
Popis The sliding window concept is a common method for computing a profile of a document with unknown structure. This paper outlines an experiment with stylometric word-based feature in order to determine an optimal size of the sliding window. It was conducted for a vocabulary richness method called ‘average word frequency class’ using the PAN 2015 source retrieval training corpus for plagiarism detection. The paper shows the pros and cons of the stop words removal for the sliding window document profiling and discusses the utilization of the selected feature for intrinsic plagiarism detection. The experiment resulted in the recommendation of setting the sliding windows to around 100 words in length for computing the text profile using the average word frequency class stylometric feature.
Související projekty:

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.