中文作者識別方法研究.pdf

1、作者識別是一個(gè)應(yīng)用廣泛的研究領(lǐng)域,可以應(yīng)用于中外文學(xué)作品的作者考證領(lǐng)域,也可以應(yīng)用于版權(quán)保護(hù)、惡意郵件識別等信息安全領(lǐng)域。對于近年來在文學(xué)創(chuàng)作、論文寫作等學(xué)術(shù)領(lǐng)域愈演愈烈的抄襲剽竊之風(fēng),傳統(tǒng)的解決方法一般是通過在受保護(hù)的文本或圖片中嵌入水印,當(dāng)產(chǎn)生糾紛時(shí),根據(jù)提取出的水印信息確定版權(quán)所屬來解決糾紛。然而嵌入的水印在很大程度上存在被破壞、刪除或者修改的危險(xiǎn)。與傳統(tǒng)解決方法相比,作者識別不存在上述問題。作者識別過程的關(guān)鍵是提取出能夠有效地代

2、表作者寫作風(fēng)格的特征,由于中文的特殊性,目前應(yīng)用于中文作者識別的特征相對較少;同時(shí),在涉及到作者個(gè)數(shù)較多,比如大于20的情況下,識別的準(zhǔn)確率會存在大幅下降的問題。
　　本文對中文作者識別方法進(jìn)行研究,針對該領(lǐng)域中存在的現(xiàn)有問題,提出基于依存語法的中文作者識別方法以及基于詞義標(biāo)記的雙層分類中文作者識別方法。前一個(gè)方法將自然語言處理中的依存語法關(guān)系作為句法層次的有效特征,同時(shí)結(jié)合已有的虛詞、標(biāo)點(diǎn)符號和詞性頻數(shù)構(gòu)成一個(gè)大特征集來對中文作

3、品進(jìn)行識別,對于大量特征產(chǎn)生的噪聲所導(dǎo)致識別準(zhǔn)確率下降的問題,本文利用主成分分析方法對特征集進(jìn)行降維和優(yōu)化。后一個(gè)方法中,借鑒雙層分類作者識別模型,即在傳統(tǒng)的作者識別模型中添加一個(gè)作者分組層,在該層中提出一種基于詞義的中文作者表示方法,將每位作者表示成對應(yīng)的作者向量,使用聚類算法對作者進(jìn)行分組,使得每一組中作者數(shù)目相對較少(一般不超過20個(gè));第二層為作者識別層,根據(jù)作者分組層得到的結(jié)果,在組內(nèi)進(jìn)行作者識別,得到最終的識別結(jié)果。