Vielen Dank, @Mansur1, für dein Lob.
Tatsächlich arbeite ich seit Ostern mehr oder weniger intensiv an der vorgestellten Analyse; Fairerweise muss ich zugeben, daß ich viel Zeit für Dinge aufgewendet haben, die sich schlussendlich als nutzlos erwiesen.
Die Installation von TensorFlow auf meinem neuen PC war noch die einfachste Sache. Danach war erst einmal die Einarbeitung in Python notwendig, da ich vorher noch nie ernsthaft mit dieser Sprache gearbeitet habe. Die Programmteile zum Bereinigen der Texte (HTML-Tags entfernen, Umlaute auflösen, Akzente entfernen) habe ich mir bei stackoverflow.com zusammengesucht. Dabei ist auch der scharfe-s Fehler in das Programm gerutscht.
Danach musste ich mit mir eine Auswerte-Strategie für die Texte finden und nahm dieses Beispiel als Ausgangspunkt. Diesen Artikel wirklich zu verstehen hat mich auch ganz ordentlich Zeit gekostet...um dann erkennen zu müssen, daß der dort gewählte Ansatz für mein Problem wohl nicht zielführend ist. Zitat: "The choice of hyperparameters can strongly influence the accuracy on this task. To achieve state-of-the-art performance on this task requires training over a very large dataset, carefully tuning the hyperparameters and making use of tricks like subsampling the data, which is out of the scope of this tutorial."
Die Idee der Textzerlegung in Trigramme stammt aus dem Artikel, dort geht der Autor aber noch einen Schritt weiter und bildet aus den Trigrammen sogenannte Skip-Gramme, bei denen das mittlere Wort abwechselnd mit dem ersten und zweiten Wort kombiniert wird.
Aus the quick brown fox jumped over the lazy dog wird dann zuerst
([the, brown], quick), ([quick, fox], brown), ([brown, jumped], fox) und schliesslich: (quick, the), (quick, brown), (brown, quick), (brown, fox)
Ziemlich eintönig war auch das manuelle Korrigieren der Trigrammen auf Rechtschreibfehler und Plural/Singular Varianten.
Nachdem @Pramax am Montag die Sache mit dem scharfen-s aufgefallen ist, habe ich kurz daran gedacht, meine Auswertung unter Berücksichtigung dieses Faktors zu wiederholen. Ich habe mich dagegen entscheiden, weil es bedeutet hätte, die ganzen (nervtötenden) manuellen Korrekturen nochmals durchführen zu müssen. Im Grunde ist es auch egal, ob es 4 oder 5 Stammautoren für nmh gibt.
Ich bin mir bewusst, daß meine simple Trigramm-Zähl-Methode ein sehr grobes Werkzeug ist, und würde mich freuen, wenn jemand die nmh-Texte linguistisch analysieren könnte (z.B. nach Satzlänge, Verwendung von Nebensätzen, Vergleiche, Assoziationen, Referenzen etc).
