Stylometric Analysis and Authorship Attribution for Texts in Croatian Language

Pripisivanje autorstva tekstu nepoznatog ili osporavanog autorstva problem je koji se javljao kroz povijest. U današnje vrijeme zbog sveprisutnosti elektroničkog teksta u svakodnevnom životu kvalitetno rješenje ima potencijal za brojne primjene. Zadatak pripisivanja autorstva klasifikacijski je zadatak koji za cilj ima danom anonimnom tekstu pripisati jednog od autora iz zatvorenog skupa autora. U radu je sastavljen i analiziran korpus javno dostupnih kolumni hrvatskih kolumnista. Izrađeni su i uspoređeni klasifikacijski modeli s različitim stilometrijskim značajkama. Dobri rezultati dobiveni su za neuronske mreže i stroj potpornih vektora s kombinacijom statističkih značajki i najčešćih n-grama, ali kao jedna od smjernica za budućnost navodi se potreba za ispitivanjem modela na drugim korpusima tekstova na hrvatskom jeziku.The problem of attribution authorship to anonymous or contested texts has arisen throughout human history. Due to the ubiquity of electronic text in everyday life, an effective solution could have numerous applications. Authorship attribution is a classification task with the goal of attributing authorship of one author from a closed set of authors to a given anonymous text. In this work the use of various stylometric features and classification models for authorship attribution of Croatian texts are investigated. Models are trained and evaluated on a corpus comprised of texts written by seven contemporary Croatian columnists. Good results are obtained for neural network and SVM models with combined statistical features and common n-grams, but there’s a need for further evaluation on other corpora of Croatian texts