= ART - Rychlý průvodce = Do systému ART se můžete přihlásit na adrese http://asteria04.fi.muni.cz:6543, která slouží pouze pro Vaše testovací účely. Nástroj ART používá rozdělení dat na projekty tak, aby v jednu chvíli s jedním projektem pracoval právě jeden člověk. Zatímco dokumenty vložené do systému může používat každý, projekty se liší: * kolekcemi dat: kolekce je soubor dokumentů, které nás zajímají a chceme je vyhodnocovat nebo na nich trénovat nový model * naučenými klasifikátory pro rozhodování autorství, každý typ dokumentů (např. blog, kniha, diskuze, twitter) se od sebe významně liší a je proto vhodné vyhodnocovat jednotlivé typy zvlášť (případně při vyhodnocování např. knih s blogy se učíme na datech složených z knih a blogů) Po přihlášení začnete v projektu MV_BLOG1/2, který má vytvořený základní model pro rozpoznávání blogů a k dispozici náhodně vytvořenou sadu dokumentů pro testování. V reálném použití je typické, že každý uživatel si vytvoří vlastní projekty a bude s nimi pracovat. I proto jsme základní projekty s ukázkami vytvořili vždy dvakrát, tj. je MV_BLOG1 i MV_BLOG2. Prosíme, abyste každý používal projekty se svým číslem a zabránil tak protichůdným akcím -- např. jeden člověk na datech vyhodnocuje, zatímco druhý se rozhodne vylepšit klasifikátor autorství a v půlce vyhodnocování ho přeučí. Samozřejmě si můžete tvořit další projekty, v kterých budete experimentovat. Po vytvoření projektu se do něj nezapomeňte přepnout akcí Home page/Switch project. Pro rychlejší orientaci v systému jsme připravili rychlý návod, jak řešit základní úlohy. == Verifikace autorství dvou dokumentů == Máme dva dokumenty a chceme zjistit, zda mají stejného autora 1. Zvolte si projekt MV_BLOG1/2 v sekci Home page/Switch project 1. Přejděte do sekce Authorship !Verification/Verify data sets 1. Nahoře zvolte sadu `Select data collection:` MV_BLOG[blog_test] (je potřeba vybírat sady, které mají primární testovací data, tj. druhé číslo ze tří parametrů alespoň dva) 1. Sjeďte na konec stránky do sekce `Verification of document pairs` 1. Zvolte rozumný počet srovnávaných dvojic `Document pair limit`, např. 100 (čím vyšší číslo, tím déle srovnání trvá). Při větších úlohách kvůli nárokům na paměť doporučujeme používat menší sady a problémy dělit. 1. Stiskněte tlačítko `Run verification of document pairs` 1. Vyčkejte zhruba dvě minuty, než se výsledek spočítá 1. Čeká na Vás tabulka výsledků, tzv. confusion matrix (http://en.wikipedia.org/wiki/Confusion_matrix) s celkovou úspěšností 1. Níže pro každou srovnávanou dvojici můžete zjistit, jak jsou si dokumenty podobné v jednotlivých kategoriích, výsledky jsou ve tvaru: 1. 59221 vs. 59250 (id dokumentů) [[BR]] Similarity:% Kategorie: % Pokud chcete zjistit autory jednotlivých dokumentů, např. v sekci Data management/Edit data sets můžete zadávat id dokumentu a vyhledá se vám záznamNebo si můžete projít celé sady dokumentů v Home page/View projects a doklikat se. == Verifikace autorství dvou skupin dokumentů == Máme dvě skupiny dokumentů a chceme zjistit, zda nejsou napsány jedním člověkem. Tato úloha je v praxi běžnější a mnohem přesnější než předcházející krok. 1. Zvolte si projekt MV_BOOK1/2 v sekci Home page/Switch project 1. Přejděte do sekce Authorship !Verification/Verify data sets 1. Nahoře zvolte sadu `Select data collection:` MV_BOOK[book_diff_author_pair] (je potřeba volit sady, kde v primárních testovacích datech jsou dokumenty jednoho kandidáta a v sekundárních datech dokumenty druhého kandidáta) 1. Přejděte trochu níže do sekce `Verification of two data sets` 1. manuální dvojice nemusíte nastavovat, protože jsme zvolili sadu na testování. Jinak můžete ale zadávat id dokumentů i ručně. 1. Stiskněte tlačítko `Run verification of data sets` 1. Vyčkejte, než se provede analýza 1. Čeká na Vás tabulka výsledků, kde zjistíte konzistenci jednoho autora, druhého autora (tj. jak je autor ve svém stylu stabilní) a podobnost mezi autory. Pokud je podobnost mezi autory podobná jejich konzistenci, výsledek je shoda autorství, pokud je velmi nízká, neshoda, v opačním případě raději vracíme nejistotu (systém vrací v 96 % správnou odpověď za cenu asi 70% pokrytí) 1. Celý postup opakujeme pro sadu MV_BOOK[book_same_author_pair] Výsledek vypadá následovně:(přehled doumentů 1. kandidáta -- dokumenty si lze prohlédnout kliknutím na ně -- doporučujeme otevřít v novém okně -- provádí se současně jejich analýza, proto to chvíli trvá, prosím mějte strpení) Analysis complete for documents of the first author '''Josef Pecinovský:10''': [[Image(analysis1.png)]] (přehled dokumentů 2. kandidáta): and of the second author '''Josef Pecinovský:10''': [[Image(analysis2.png)]] (shrnutí výsledků) [[BR]] '''Josef Pecinovský:10''' consistency: '''0.6665''' (64.44% votes) '''Josef Pecinovský:10''' consistency: '''0.7522''' (80.00% votes) Author's similarity: '''0.73''' (75.00% votes) Lower limit for same authorship: 0.5838 '''same authors'''+ same (124.8% of lower limit) == Automatické generování zdůvodnění pro znalecký posudek == Chceme vygenerovat jednoduché zdůvodnění v PDF formátu. 1. Zvolte si projekt MAIN v sekci Home page/Switch project 1. Opět přejděte do sekce Authorship verification/Verify data sets 1. Zvolte sadu pdfreport 1. Sjeďte do sekce `PDF report` 1. Document type upravte podle typu zkoumaných dokumentů, můžete nechat knihu 1. Stiskněte `Generate PDF report` a počkejte na vygenerování odkazu s PDF souborem se zprávou == Profil autora == Chceme zjistit, čím je styl autora význačný 1. Přejděte do sekce Authorship writing 1. Pro automatické přiřazení dokumentů do výběru zůstaňte v sekci !`Analyse author's characteristics` 1. Zvolte si autora, např. Karla Čapka (kolonka Author's web identity, rychle se autor hledá, když začnete psát začátek jeho jména, např. Karel) 1. max. number of documents: čím menší číslo, tím rychleji analýza proběhne a graf bude větší a čitelnější 1. Stiskněte !`analyse autor`, pro každou charakteristiku stylu autora se vygeneruje podrobný graf.V jednom sloupci jsou vždy hodnoty všech dokumentů pro jednu charakteristiku a pod sloupcem barva značí, jak je autor konzistentní (zelená hodně, červená vůbec). Pod grafy jsou vysvětivky jednotlivých popisků. Podobně se postupuje i pro řešení dalších úloh, zde se odkážeme na podrobný manuál.Kromě verifikace je k dispozici i přiřazování autorství z kandidátů (je tolik kandidátů jako dokumentů v sekundární testovací sadě -- třetí číslo u sady) a přiřazování autorství bez kandidátů.Jednotlivé sady jde ručně upravovat nebo spojovat.Samozřejmostí je i učení nových klasifikátorů a možnost volit mezi aktuálním a starším klasifikátorem. Lze měnit i parametry klasifikátorů a vynechat některé charakteristiky autora. např. při zpracování anglických dat je potřeba je zcela přenastavit (např. v settings select en only).