वह बोलता है और दिखाता है: लोकप्रिय यूक्रेनी नेताओं की बयानबाजी अलग है?

क्या यह निर्धारित करना संभव है कि इसके लेखक कौन से राजनेता हैं? यूक्रेनी एनजीओ वोक्स यूक्रेन वोक्सचेक परियोजना बना रहा है, जिसके ढांचे के भीतर यह सबसे अधिक रेटिंग वाले राजनेताओं के बयानों की पुष्टि करता है। हाल ही में, उन्होंने सत्यापित उद्धरणों के पूरे डेटाबेस को पोस्ट किया। मैं केवल एनएलपी पाठ्यक्रमों को सुन रहा हूं और यह जांचने का निर्णय लिया है कि उद्धरण के पाठ से लेखक की सही पहचान कैसे की जा सकती है।

अस्वीकरण । यह लेख सबसे सटीक और विस्तृत विश्लेषण का दावा किए बिना, विषय में रुचि और व्यवहार में अध्ययन की गई सामग्री को आज़माने की इच्छा से लिखा गया है।

विश्लेषण के लिए, अजगर का उपयोग किया गया था, कोड जीथब पर उपलब्ध है।

डेटा

डेटाबेस में अब नीति द्वारा निम्नलिखित वितरण के साथ 1952 उद्धरण हैं:



विश्लेषण उद्देश्यों के लिए, मैंने> 200 उद्धरणों वाले लोगों को चुना। तदनुसार, यूरी बॉयको, ओलेग टाइगनिबोक, एंड्री सदोवॉय और व्लादिमीर ज़ेलेंस्की विश्लेषण से बाहर हो गए। सरणी में 1,667 उद्धरण बचे हैं। शेष छह वक्ताओं में से चार (ग्रॉसमैन और राबिनोविच को छोड़कर) अगले राष्ट्रपति चुनाव के लिए पंजीकृत उम्मीदवार हैं।

उद्धरण छोटे से भिन्न होते हैं, लगभग 30 वर्ण ( "मैंने पहले ही 112 बिल जमा किए हैं।" ) लंबे समय तक, लगभग 1,200 वर्ण। एक उद्धरण की औसत लंबाई लगभग 200 अक्षर है (उदाहरण के लिए, “जल्द ही हमें प्रकृति विज्ञान में बच्चों के लिए एक संग्रहालय और डायनासोर के लिए थोड़ा कम गाय देना होगा - राजनीतिक राजनीति के परिणाम के लिए, याक के लिए नौसिखिए रहने के लिए। 2 महीने से कम का पशुधन। । " )

TF-आईडीएफ

पहले, आइए देखें कि कौन से शब्द कुछ वक्ताओं की अधिक विशेषता हैं। यहां प्रत्येक उम्मीदवार के लिए सबसे अधिक TF-IDF वाले शीर्ष 10 शब्द दिए गए हैं:




वे शब्द जिन्हें मैं प्रत्येक वक्ता के लिए थोड़ा संदर्भ देने के लिए टिप्पणी करना चाहूंगा, उन्हें हरे रंग में हाइलाइट किया गया है।

ओलेग ल्यशको:

• पोलैंड: Lyashko अक्सर वहाँ Ukrainians के कामकाजी प्रवास के संबंध में पोलैंड का उल्लेख करता है, और पोलैंड और यूक्रेन में आय की तुलना भी करता है
• अनाज: ल्याशको का कहना है कि यूक्रेन अनाज निर्यात करता है और उस पर हार जाता है, क्योंकि यह आटा निर्यात करने के लिए अधिक महंगा हो सकता है
• ऑन्कोलॉजी, दवाएं: लिआशको वर्तमान चिकित्सा सुधार का एक प्रबल विरोधी है और अक्सर कहते हैं कि ऑन्कोलॉजी की लागत लगभग राज्य द्वारा कवर नहीं की जाती है

पोरोशेंको और ग्रिट्सेंको सैन्य संघर्ष के बारे में बहुत सारी बातें करते हैं, जो काफी तार्किक है: पोरोशेंको राष्ट्रपति हैं और तदनुसार, प्रमुख कमांडर, और ग्रिट्सेंको सैन्य हैं और रक्षा मंत्री थे।

ग्रिसमैन प्रधान मंत्री हैं, और मुख्य रूप से अर्थव्यवस्था के बारे में बात करते हैं, जिसमें सार्वजनिक ऋण शामिल है।

वादिम राबिनोविच के उद्धरण विशिष्ट विषय नहीं दिखाते हैं, शायद इसलिए कि वह बहुत कुछ बोलते हैं (1952 से 444, अन्य सभी में 300 से कम उद्धरण हैं)।

यूलिया Tymoshenko यूक्रेन के गैस ट्रांसमिशन सिस्टम, बैंकों के परिसमापन, साथ ही साथ देश के कम आर्थिक संकेतकों के बारे में बहुत सारी बातें करते हैं।

उद्धरण वर्गीकरण

तो, हमें 6 कक्षाएं (स्पीकर) मिलती हैं। वर्गीकरण के लिए, मैंने भोले बेसेसियन क्लासिफायरियर का उपयोग किया। रूसी और यूक्रेनी भाषाओं के स्टॉप शब्दों को पाठ से बाहर रखा गया है (स्टॉपवर्ड्स पैकेज का उपयोग करके)। 2 तक एन-ग्राम शामिल हैं (3 तक की लंबाई वाले विकल्प भी परीक्षण किए गए थे, लेकिन ओवरफिटिंग दिखाया गया था)। परीक्षण नमूना कुल के 20% के अनुपात में लिया जाता है।

परीक्षण नमूने में मॉडल की कुल सटीकता (सही ढंग से वर्गीकृत उद्धरणों का अनुपात) 74.8% थी , परीक्षण नमूना - 75.7%

लेखकों द्वारा क्रॉस परिणाम:



वादिम राबिनोविच (97%) के लिए उच्चतम सटीकता - सबसे अधिक संभावना है क्योंकि वह छह में से एकमात्र रूसी स्पीकर है। ग्रिसमैन और लिआशको के वर्गीकरण की उच्च सटीकता (78% और 77%)।

पोरोशेंको और Tymoshenko के हवाले से सटीकता 60% से अधिक है। मॉडल अक्सर दोनों को ग्रोइसमैन के रूप में परिभाषित करता है। ग्रोसमैन, प्रधान मंत्री के रूप में, अक्सर "प्रगति रिपोर्ट" के रूप में अर्थव्यवस्था के बारे में बात करते हैं और पोरोशेंको और Tymoshenko के गलत तरीके से वर्गीकृत उद्धरण भी इस बारे में हैं (सरकार के प्रतिनिधि के रूप में केवल पोरोशो सकारात्मक है, लेकिन Tymoshenko इसके विपरीत है)।

उदाहरण के लिए, यहाँ पोरोशेंको के एक उद्धरण को मॉडल द्वारा ग्रोज़मैन के एक उद्धरण के रूप में परिभाषित किया गया है:
5 बिलियन UAH, (Tobto) उस चट्टान का 4 बिलियन UAH 'और पूरी चट्टान का 1 बिलियन UAH सीधे दवा के लिए

और यह भी ग्रोसमैन से एक उद्धरण के रूप में परिभाषित, Tymoshenko से एक उद्धरण:
जेलों के उपयोग के लिए आक्रामक बजट में, उन्होंने यूक्रेन के विज्ञान अकादमी में काम करने के लिए विज्ञान से कम नहीं, छोटे पैसे के रूप में दो बार देखा।

अनातोली ग्रिट्सेंको के उद्धरणों में सबसे कम सटीकता (57%)। उनके मॉडल को अक्सर पोरोशेंको के रूप में परिभाषित किया जाता है (जो तार्किक है, उनके उद्धरणों के सैन्य विषयों को देखते हुए), साथ ही साथ लयाशको भी। लिआशको के मामले में, गलत वर्गीकरण अधिकारियों की आलोचना कर रहा है, उदाहरण के लिए, प्रवासन के बारे में सहित: मैं आपके आदेश के एक ही सदस्य के बारे में बात नहीं कर रहा हूं, वोल्दिमीर बोरिसोविच, पैन क्लिमकिन ने कहा कि लाखों लोगों ने देश छोड़ दिया है।

सामान्य तौर पर, मुझे ऐसा लगता है कि समान प्रारूप (राजनेताओं द्वारा मौखिक भाषण) और विषयों (यूक्रेनी राजनीति) के ऐसे छोटे उद्धरणों के लिए, परिणाम बुरा नहीं है। वैसे, उसी डेटा पर मैंने एक मॉडल बनाने की कोशिश की जो उद्धरण की श्रेणी (सही / गलत / हेरफेर) को परिभाषित करता है, लेकिन सटीकता बहुत कम थी। जो, सिद्धांत रूप में, तार्किक है: "इस पर इतना पैसा खर्च किया गया था, लेकिन इस तरह के देश में वे इतना खर्च करते हैं" जैसे आंकड़ों को देखने के लिए यह निर्धारित करना मुश्किल है।