7、作者文体特征对文档类型的自动适配

作者文体特征对文档类型的自动适配

1. 引言

互联网已成为我们生活中不可或缺的一部分，广泛应用于人际交流（如电子邮件、论坛、聊天室等）和商品与活动推广（如产品评论、电商平台、企业门户等）。然而，由于互联网信息的匿名性，许多用户面临匿名文档和伪造作者身份文本的问题。这些问题的来源形式多样，从匿名威胁到虚假产品评论、伪造电子邮件头，甚至是非法文档的匿名或虚假发布。

随着未签名或非官方签名文档数量的迅速增加，依靠人类专家的能力已无法解决作者身份识别问题，因此自动化的作者身份检测方法应运而生。目前，作者身份识别方法主要通过机器学习和文体分析来解决，当输入文本足够长且连贯时，这些方法能取得较好的效果。但当前电子通信的现状要求有一个支持所有文档类型的通用自动化作者身份识别系统。研究表明，单个文体特征的性能取决于文档的长度和类型，因此需要一种根据文档类型和内容自动选择文体特征的算法来补充作者身份识别系统。

作者身份验证是作者身份识别领域的基本问题，其他任务如作者身份归属或聚类都可转化为验证问题。验证问题有两种不同形式：
- 严格作者身份验证：确认或否认某文档是否由单个已知作者撰写。
- 基于语料库的作者身份验证：给定嫌疑人撰写的一组文档以及从样本群体收集的文档数据集，判断匿名文档是否由嫌疑人撰写。

2. 作者身份验证方法

在常见的文体作者身份验证方法中，给定两个文本 A 和 B 以及它们的文体特征列表 s(A) 和 s(B)，有两种主要的机器学习方法：
- 每个已知作者一个分类器 ：若有多个由文本 A 的作者撰写的文本（A1, A2, …, An），提取每个文本的文体特征 s(A1)