19、文体计量应用的高级模型探索

文体计量应用的高级模型探索

1. 神经网络与作者归属分析

1.1 神经网络基础

在深度学习范式下，神经网络模型被广泛应用于解决复杂任务，如图像识别、自然语言处理中的语音或手写识别、客户评论情感分析以及自动翻译等。神经网络的基本构建块是人工神经元，它是一个简单的处理单元。

人工神经元的工作分为三个步骤：
1. 计算加权和 ：神经元计算前一层提供的所有输入的加权和。对于第 j 个神经元，与前一层有 m 个连接，其加权和 netj 的计算公式为：
[net_j = \sum_{k = 1}^{m} w_{k,j} \cdot a_k + b_j]
其中，(w_{k,j}) 是神经元 k 和 j 之间连接的权重，(a_k) 是第 k 个神经元传输的激活值。正权重表示两个神经元倾向于同时激活，负权重表示第一个神经元抑制第二个神经元。
2. 确定激活值 ：神经元通过激活函数确定要发送到下一层的激活值。常见的激活函数有 sigmoid 函数和 tanh 函数。sigmoid 函数将激活值定义在 0 到 1 之间，tanh 函数将激活值定义在 -1 到 1 之间。
3. 传播激活值 ：将获得的激活值 (a_j) 传播到下一层的连接神经元，然后下一层执行相同的计算序列。

1.2 多层神经网络架构

神经元网络可以组织成层，经典的多层架构由输入层、隐藏层和输出层组成。以解决作者归属问题为例，不同的研究采用了类似的神经网络架构：
- Matthews 和 Merria