你是否好奇，名人在社交網(wǎng)絡(luò)上發(fā)的消息，哪些是自己寫的，哪些是工作人員寫的呢？Coursera數(shù)據(jù)科學(xué)社區(qū)導(dǎo)師（Community Mentor）Greg Rafferty使用機(jī)器學(xué)習(xí)技術(shù)分析了川普的推文，預(yù)測哪些推文是川普親自發(fā)的，哪些推文是工作人員所發(fā)。

我創(chuàng)建了一個推特機(jī)器人＠whosintheoval，這個機(jī)器人會轉(zhuǎn)推唐納德·川普的推特，然后預(yù)測這條推是否是川普本人所寫。在閱讀下文了解我是如何創(chuàng)建模型的之前，別忘了在推特上關(guān)注這個機(jī)器人。

我是Greg Rafferty，灣區(qū)的一個數(shù)據(jù)科學(xué)家。你可以在我的github上查看這個項目的代碼，也可以訪問我的LinkedIn頁面。有任何疑問和反饋，都?xì)g迎和我聯(lián)系。

動機(jī)

2017年12月1日，邁克爾·弗林（Michael Flynn）承認(rèn)向FBI撒謊了。12月3日，川普的個人推特賬號發(fā)了這樣一條推：

由于弗林向副總統(tǒng)和FBI說謊，我不得不解雇了他。他已經(jīng)對這些謊言認(rèn)罪。這真可恥，因為他在過渡期間的行為是合法的。沒什么好隱瞞的！

這條推引起了很大的爭議，因為在這一年的2月14日，在弗林辭職之后，川普曾要求FBI局長詹姆斯·科米（James Comey）停止對弗林的所有調(diào)查。如果川普在向科米要求時已經(jīng)知道弗林確實(shí)向FBI說謊了，那么川普的推特是川普試圖妨礙司法的證據(jù)。在若干法律專家主張這一觀點(diǎn)之后，川普為自己辯護(hù)，聲稱撰寫并發(fā)布這條推的是他的律師約翰·多德（John Dowd）。然而，果真如此嗎？

介紹

本文分為四部分：

• 背景

• 特征選取

• 模型

• 結(jié)果

當(dāng)中的兩小節(jié)（特別是模型那一節(jié)）技術(shù)性比較強(qiáng)；所以如果你對此不感興趣，可以直接跳到結(jié)果一節(jié)，看看到底是誰發(fā)了關(guān)于弗林的那條推。

背景

文本分析取證是一門“古老的”機(jī)器學(xué)習(xí)技術(shù)，在各種各樣的案例中得到應(yīng)用，比如識別大學(xué)炸彈客（Unabomber），發(fā)現(xiàn)羅伯特·加爾布雷斯（Rob Galbraith）是J·K·羅琳（J． K． Rowling）的筆名，確定《聯(lián)邦黨人文集》中特定文章的歸屬。我們這個項目嘗試使用這一機(jī)器學(xué)習(xí)技術(shù)識別＠realDonaldTrump所發(fā)的推是否是川普本人所寫。然而，這一任務(wù)比較特別，非常具有挑戰(zhàn)性，因為推文都非常短——在如此短的文本中沒有太多的信號可供分析。不過，我最終還是成功了，精確度幾乎達(dá)到了99％． 你可以關(guān)注我的推特機(jī)器人＠whosintheoval，這樣一旦川普發(fā)推，你就可以實(shí)時查看相應(yīng)的預(yù)測。

數(shù)據(jù)

2017年3月26日之前，川普使用三星Galaxy發(fā)推而他的工作人員使用iPhone發(fā)推�；�于這些推文的元數(shù)據(jù)，我們可以知道是川普本人還是他的工作人員在發(fā)推（參考這些具體討論這一假設(shè)的文章的鏈接）。在此之后，川普轉(zhuǎn)而使用iPhone，因此發(fā)推者的身份無法基于元數(shù)據(jù)得出，需要通過推文內(nèi)容推斷。

我使用了Brendan Brown的Trump Tweet Data Archive（川普推文數(shù)據(jù)歸檔），得到了川普賬號在2009年中至2017年末所發(fā)的所有推文，約有33000條。盡管我知道推文來自于哪個設(shè)備，作者身份仍有一些模棱兩可，因為人們知道川普有時會向助理口述發(fā)推內(nèi)容，因此一條具有川普特色的推文可能發(fā)自非川普所有的設(shè)備，同時（特別是大選期間）推文可能是由川普和助手們共同撰寫的，沒有明確的作者。

川普推特賬號從開始（2009年5月4日）至停止使用Android設(shè)備（2017年初）的超過30000條推文我知道（至少有比較大的把握能猜到）作者（關(guān)鍵在于，關(guān)于弗林的推文不在這一期間，所以我讓我的模型猜測真正的發(fā)推者——本文之后的結(jié)果一節(jié)會更多地討論這個）。這30000條推文基本上是在Android和非Android設(shè)備間均勻分布的（47％／53％），所以不用擔(dān)心類別失衡問題。這是我用的訓(xùn)練數(shù)據(jù)。使用若干不同的技術(shù)，我基于數(shù)據(jù)創(chuàng)建了將近900個不同的特征，我的模型可以使用這些特征預(yù)測作者。

選擇特征

我查看了六方面的特征以建立模型：

• 川普的癖好

• 風(fēng)格

• 情感

• 情緒

• 遣詞

• 語法結(jié)構(gòu)