Verificação de autoria em mensagens de texto utilizando grafos e aprendizagem de máquina.

• Autor(a) principal: SOARES, Caio Maxximus Pereira.
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/30514
• topic: Grafos - fontes d einformação; Autoria - mensagens de texto; Mensagens de texto - autoria; Aprendizagem de máquina; Verificação de autoria - mensagens de texto; Mensagens de chat - servidores Discord; Medidas de distância - computação; Rede neural; Graphs - sources of information; Authoring - text messages; Text messages - authoring; Machine learning; Authorship verification - text messages; Chat messages - Discord servers; Distance measurements - computing; Neural network; Ciência da Computação.

A busca por extração de características em textos é uma área de interesse em aprendizagem de máquina devido às inúmeras possibilidades relacionadas, dentre elas a verificação de autoria é um tema relevante por suas aplicações e elevada complexidade. Neste contexto, o presente artigo faz uso de dados provenientes de mensagens de chat de servidores Discord com o propósito de verificar automaticamente a autoria das mensagens mediante um treinamento supervisionado. O processo inicia-se com um pré-processamento que busca reduzir ruído e viés nos dados, para então explorar a capacidade do modelo de aprendizagem em generalizar ao encontrar textos desconhecidos e defini-los como de sua autoria ou não. Desta forma são utilizados grafos como extratores de características em mensagens de texto, utilizando de redes neurais artificiais como modelos de aprendizagem de máquina para classificá-las . Palavras se tornam nós, e suas arestas capturam a intensidade referente à distância dos termos na frase, resultando na construção de um grafo que representa o vocabulário de um indivíduo e que tem como objetivo captar características relevantes no texto.Obtidas boas acurácias para o verdadeiros positivos e para os verdadeiros negativos ao se ajustar o limiar de ativação, os modelos conseguem alcançar resultados satisfatórios com reduzido custo de treinamento, permitindo uma facilidade maior para exploração de novos parâmetros.