基于计量风格学的多层次特征在作者识别应用研究

摘要

在作者识别领域中最重要的是选取能够唯一识别作者的写作特征,这些特征也被称为"写作指纹".传统的写作特征使用词袋,功能词,以及结构特征,词袋和功能词特征虽然也能达到比较不错的分类效果,但是却忽略了词语之间的关联性,完全丢失了文本的语义信息.通过分析中文语法特点,了解句子构成特点,使用了关联挖掘算法挖掘得到文章中具有关联的词性序列作为特征,该方法挖掘得到的特征称为词性关联特征.同时使用了汉语语法中的虚词词性,情感偏向,文本结构特征等四个类别的特征,构成作者特征的向量空间,并使用机器学习中的随机森林,逻辑回归和K近邻等分类算法来进行分类,比较选择最好的分类器,以此构成作者识别模型.研究对象为同时代的武侠小说作家作品集,验证了多层次特征向量的准确性和稳定性.