آنالیز موضوعی و تخصیص مولف متون فارسی و عربی با استفاده از اطلاعات ساختاری اجزای متن

تخصیص نویسنده یکی از زیرشاخه های پردازش متن می باشد که هدف اصلی آن تعیین هویت نویسنده ی یک متن است. به عبارت دیگر هدف اصلی این حوزه، طراحی سیستمی است که بتواند هویت نویسنده ی یک متن را از میان چند نویسنده ی نامزد تعیین نماید. به منظور طراحی چنین سیستمی می بایست تعدادی متن از هر نامزد در اختیار داشته باشیم. تمامی پژوهش های گذشته در حوزه ی تخصیص نویسنده ی متون فارسی به روش های مبتنی بر سیستم های پردازش زبان های طبیعی (nlp) منحصر می شوند، اما هدف اصلی این پایان نامه بررسی عملکرد روش هایی موسوم به ndp بر روی مسائل تخصیص نویسنده ی زبان فارسی است. این روش ها بر مبنای تعداد تکرار انگرام ها طراحی شده و کاملاً مستقل از سیستم های nlp می باشند. در این پایان نامه مهم ترین روش های ndp موجود مطالعه شده و سپس با الهام از آن ها، دو روش جدید پیشنهاد شده است. در روش پیشنهادی اول (cng-wis) به جای استفاده از فرکانس انگرام ها، اندیس آن ها جهت حل مسائل به کار رفته است. در دومین روش پیشنهادی (vng) به جای آنکه انگرام های پرتکرار مبنای کار قرار گیرند، از انگرام های پراکنده استفاده شده است. به منظور ارزیابی روش های موجود و هم چنین مقایسه ی روش های پیشنهادی با آن ها، از چهار مجموعه متن (یا پایگاه داده) مختلف از دو زبان فارسی و عربی استفاده شده است. یکی از این مجموعه متن ها (به نام cppt) توسط نگارنده گردآوری شده و دارای 145متن از 6 نویسنده ی معاصر فارسی زبان می باشد. نتایج بدست آمده حاکی از آنست که علاوه بر روش های ndp موجود، روش های پیشنهادی نیز قدرت بالایی در حل مسائل تخصیص نویسنده ی زبان های فارسی و عربی دارند. در انتها، دو مسئله ی خاصِ حوزه ی ادبیات فارسی بررسی شده اند: نظیره های گلستان و غزلیات سبک هندی. بدین منظور دو مجموعه متن دیگر با نام های gbp (شامل 75 حکایت از سه نویسنده) و sbh (شامل 90 غزل به سبک هندی از سه شاعر) توسط نگارنده جمع آوری شده است. نتایج بدست آمده نشان می دهد که روش های ndp علاوه بر مسائل تخصیص نویسنده ی متون نثر فارسی، در حکایات (ترکیبی از نثر و نظم) و اشعار نیز قدرت بالایی دارند. کلمات کلیدی: تخصیص نویسنده، انگرام، روش های مبتنی بر پروفایل، نشانگر سبک، مجموعه متن cppt، مجموعه متن gbp و مجموعه متن sbh.