现当代文学作品的作者身份识别研究.pdfVIP

226 2010．46(4) ComputerEngineeringandApplications计算机工程与应用 现当代文学作品的作者身份识别研究 年洪东，陈小荷 ，王东波 NIAN Hong-dong，CHEN Xiao-he，W ANG Dong-一bo 南京师范大学 文学院，南京 210097 SchoolofChineseLanguageandLiterature，NanjingNormalUniversity，Nanjing210097，China E-mail：nianhongdlong@163．con NIAN Hong一-dong，CHEN Xiao—he,W ANG Dong—boR·esearch on authorship attribution ofcontemporary literature,．Co rn - ． puterEngineeringandApp[1ications．2010．46(4)：226-229． Abstract：Thispaperusesthestatisticalmodel(SVM)forhteidentificationofhteauthorofcontemporaryChineseliterature worksto eightrepresentatives．In hte identification processto selectavocabulary basedon a variety ofstatisticsas identifying features，and to take training methods based on the low—density and more features，having achieved better resultin cross一-~tyle worksoftheauthor identification． Key words：authorship attribution：machinelearning；computationalstylistics；contemporary literature 摘 要 ：主要利用了SVM统计机器学习模型对中国现当代文学八位代表人物的作品进行 了作者身份识别研究，在识别过程 中选 取了以词汇为基础的多种统计量作为识别特征，并且采取了基于低密度多特征的训练方法，在跨文体的作品的作者身份识别中取 得 了非常优异的识别性能。 关键词：作者身份识别；机器学习；计算风格学；现 当代文学 DOI：10．3778／j．issn．1002—8331．2010．04．071 文章编号：1002-一8331(2010)04—0226—04 文献标识码：A 中图分类~：TP391．1 1 引言 性为单位的n—gram数据分析。从聚类分析结果的对比中得出 我国是世界上文学遗产最丰富的国家之一，但由于各种各 以下结论：(1)字符为单位的unigram可以以较高的正判别率 样的原因，许多传世之作的作者身份不能十分准确确定，而传 判别作者。在没有筛选变量的前提下以大约98％的判别率判别 统的文献考证手段既费时又费力，从而在信息时代需要一种新 1000字的文章的作者。(2)词性为单位的n—gram也含有作者 的方法和技术来迎接这一挑战。国外早在20世纪3O年代就 特征。其正判别率可达95％，略低于以字符为单位的unigram 开始引入统计学中的定量分析方法来分析作家作品的文体风 的正判别率8[1。武晓春等利用HowNet知识库，提出一种新的基 格．1l】，这也促使一个新兴的学科——计算风格学的诞生。最初 ， 于词汇语义分析的相似度评估方