Python 如何在长的多用户internet聊天日志中识别特定用户？

这是我们计划举办的一场在线编程竞赛

解决同样问题的可能方法是什么？

从随机IRC（Internet中继聊天）日志中，一小部分用户昵称将被随机删除。参与者的代码必须能够填写缺失的用户缺口。换句话说，这项活动需要你拿出一个智能程序，可以找出“谁说了什么”

可以假设所有的交流都是用现代英语进行的，无论有没有标点符号

比如说-

原创聊天：

。。。
：嘿！
：你好！你从哪里来，用户1？
：有人能帮我安装Gnome吗？
：印度。user3，你安装了X Windows系统吗？
：酷。什么是侏儒，用户3？
例如我不知道。我怎么检查？
：这是一个桌面环境，user2。
：哦，是的！只是谷歌搜索。
：在命令行上键入“startx”。以root用户身份登录并键入“apt get install gnome”。
：谢谢！
字体我是根，听我的！
：啊？！
：user2，你最好开始使用Linux！
…

以下仅提供给参与者

删除了一些刻痕的聊天日志：

：嘿！ ：你好！你从哪里来，用户1？ ：有人能帮我安装Gnome吗？ ：印度。user3，你安装了X Windows系统吗？ ：酷。什么是侏儒，用户3？ ：我不知道。我怎么检查？ ：这是一个桌面环境，用户2。 ：哦，是的！只是谷歌搜索。 ：在命令行中键入“startx”。以root用户身份登录并键入“apt get install gnome”。 ：谢谢！ ：我是根，服从我！ ：嗯？！ ：用户2，你最好开始使用Linux！ ...

---

参与者代码的任务是用适当的用户刻痕替换“s”。在模棱两可的情况下，如上面示例中的随机注释（任何其他用户也可能会这样说！），代码应该表明相同的情况。

一个可能的解决方案是采用朴素贝叶斯分类器“垃圾邮件过滤器”的思想，看看不同的尼克倾向于使用哪些词。根据哪些用户使用“最像”未知用户发送的消息对消息进行分类。这样做的缺点是，如果他们使用的是你以前没有见过的新词（很可能），那么你就需要理解更高层次的上下文信息。

我想到两件事：作者归属和聊天分离。两者都不是你描述的那样，但它们都非常接近

作者归属是一个问题，即试图找出一组已知的作者中谁写了一个特定的文档。经典的作者归属通常用于大量文本（如戏剧、小说、演讲），但人们一直试图在互联网来源的较短文本样本上使用相同的方法。一个好的参考文献可能是任何在标题中带有“作者身份”的作者所写的东西，例如最近的论文。此任务的常用方法包括使用典型的文档分类方法，即在一组通常被认为是停止词（例如as、of、The等）上使用单词包特征和机器学习分类器。这里的问题是，所有这些工作都是在文档上进行的，没有考虑IRC数据的会话性质

---

聊天分离是从聊天数据中识别大量连贯的“对话”的问题。这是一个相当困难的问题，因为你经常需要使用对话的上下文来知道谁在回答谁。我认为这种方法对这项任务也很重要。例如，如果匿名消息是对话的一部分，则将作者集限制为对话中的人。我只从埃尔斯纳和查尼亚克的报纸上知道这一点。他们的“相关工作”部分很好地概述了该领域。

问题很酷！你会提供一个完全标记聊天的训练集吗？你给出的例子已经删除了所有的刻痕，并要求重建一小部分。亲爱的贝尼，请忽略这个例子。在www.robotix.in/events/echelon上查找完整的问题陈述和示例聊天日志。