郭旭

（大連外國(guó)語大學(xué)語言智能研究中心，大連 116044）

0 引言

隨著人工智能時(shí)代的到來，使計(jì)算機(jī)“理解”文本的寫作風(fēng)格成為了自然語言處理領(lǐng)域的熱點(diǎn)研究方向，而如何根據(jù)寫作風(fēng)格識(shí)別出匿名文本的作者，即匿名文本的作者識(shí)別，是這一研究方向主要解決的問題。在實(shí)際應(yīng)用中，作者識(shí)別可以用于輿情分析、作者文體風(fēng)格分析和學(xué)術(shù)不端檢測(cè)等領(lǐng)域，具有重要的實(shí)際應(yīng)用價(jià)值。

在給定一個(gè)匿名文本t和作者候選集A={a1,a2,…,an}后，匿名文本的作者識(shí)別要解決的問題是[1,2]：為匿名文本t指定一個(gè)最可能的作者a*，其中a*屬于A。當(dāng)使用作者書寫的文本表征作者時(shí)，作者候選集A={T1,T2,…,Tn}，其中Tx為作者ax書寫的文本集，匿名文本的作者識(shí)別轉(zhuǎn)換為：為匿名文本t指定一個(gè)最可能的文本集T*，也就是將匿名文本t分類給最可能的文本類別，屬于典型的文本分類問題。

為了解決匿名文本的作者識(shí)別問題，文本設(shè)計(jì)完成了支持傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的作者識(shí)別系統(tǒng)，該系統(tǒng)功能完備，不僅可以完成大多數(shù)主流機(jī)器學(xué)習(xí)算法和特征工程算法，還能以可視化的方式呈現(xiàn)識(shí)別結(jié)果。此外，本文采用的基于多特征融合深度神經(jīng)網(wǎng)絡(luò)的作者識(shí)別方法，可將特征工程與深度神經(jīng)網(wǎng)絡(luò)結(jié)合到一起，充分發(fā)揮兩者的優(yōu)勢(shì)。

1 研究現(xiàn)狀

目前，作者識(shí)別的研究方法主要有基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度神經(jīng)網(wǎng)絡(luò)的方法兩類。

基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法通過特征工程技術(shù)提取作者的寫作風(fēng)格特征，將一段匿名文本轉(zhuǎn)換為作者寫作風(fēng)格特征矩陣，構(gòu)建寫作風(fēng)格特征模型。如祁等人[3]使用包括句法結(jié)構(gòu)樹和依存關(guān)系在內(nèi)的多層面文體特征，將作者文體風(fēng)格轉(zhuǎn)換為多層面特征模型，針對(duì)15位作者的10895篇博客進(jìn)行識(shí)別，取得了較好的實(shí)驗(yàn)效果；李等人[4]使用復(fù)雜網(wǎng)絡(luò)理論，將文本視作一個(gè)復(fù)雜網(wǎng)絡(luò)提取路徑長(zhǎng)度等復(fù)雜網(wǎng)絡(luò)特征，并與文本統(tǒng)計(jì)特征相結(jié)合，構(gòu)建基于復(fù)雜網(wǎng)絡(luò)的特征模型，針對(duì)多名記者撰寫的25542篇新聞報(bào)道進(jìn)行識(shí)別，也取得了較好的實(shí)驗(yàn)效果。

基于深度學(xué)習(xí)的方法通常將一句話或多句話直接作為輸入，通過深度神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)文本的寫作風(fēng)格特征，這樣可以最大限度的保留句子之間的特征。基于深度學(xué)習(xí)的方法往往可以獲得比傳統(tǒng)方法更高的評(píng)價(jià)指標(biāo)，但由于作者的寫作風(fēng)格特征是由深度神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)得來的，因此深度神經(jīng)網(wǎng)絡(luò)提取的特征往往難以解釋，這在一定程度上限制了基于深度學(xué)習(xí)的方法的實(shí)際應(yīng)用效果。如Prasha等人[5]采用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別Tweet短篇幅文本的作者，準(zhǔn)確率高于傳統(tǒng)方法6個(gè)百分點(diǎn)左右；徐曉霖等人[6]采用卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)相結(jié)合的方法構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，針對(duì)新浪微博中的10位作者共計(jì)10000篇的微博進(jìn)行作者識(shí)別，取得了較好的實(shí)驗(yàn)效果。

2 系統(tǒng)設(shè)計(jì)

2. 1 系統(tǒng)組成

作者識(shí)別系統(tǒng)的主要功能是識(shí)別匿名文本的作者，由數(shù)據(jù)集管理、文本預(yù)處理、自然語言處理、特征表示、傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和可視化七個(gè)模塊組成，如圖1所示。

圖1 作者識(shí)別系統(tǒng)模塊圖

（1）數(shù)據(jù)集管理模塊。該模塊主要負(fù)責(zé)候選作者文本集的管理，包括增、刪、改、查候選作者文本集等功能。

（2）文本預(yù)處理模塊。該模塊主要負(fù)責(zé)文本的預(yù)處理，包括文本清洗、文本分割、文本聯(lián)合等功能。

（3）自然語言處理模塊。該模塊主要負(fù)責(zé)文本的基本自然語言處理，借助斯坦福自然語言處理工具包[7]和Han自然語言處理工具包[8]等開源工具包設(shè)計(jì)完成，包括分詞、詞性標(biāo)注、句法分析和依存關(guān)系分析等功能。

（4）特征表示模塊。該模塊主要負(fù)責(zé)提取文本的寫作風(fēng)格特征，構(gòu)建文本的寫作風(fēng)格特征模型，包括功能詞特征、標(biāo)點(diǎn)符號(hào)特征和字/詞N-Gram特征等。

（5）傳統(tǒng)機(jī)器學(xué)習(xí)模塊。該模塊主要負(fù)責(zé)傳統(tǒng)機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)，借助scikit-learn機(jī)器學(xué)習(xí)工具包設(shè)計(jì)完成，包括樸素貝葉斯、最近鄰和支持向量機(jī)等算法的實(shí)現(xiàn)。

（6）深度學(xué)習(xí)模塊。該模塊主要負(fù)責(zé)深度學(xué)習(xí)算法的實(shí)現(xiàn)，借助TensorFlow和Keras等開源工具包設(shè)計(jì)完成，包括循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、帶有注意力機(jī)制的深度神經(jīng)網(wǎng)絡(luò)、Transformer[9]、BERT[10]和XLNet[11]等算法的實(shí)現(xiàn)。

（7）可視化模塊。該模塊主要負(fù)責(zé)以可視化的形式輸出作者識(shí)別的評(píng)價(jià)指標(biāo)。借助Matplotlib工具包設(shè)計(jì)完成，包括文本集統(tǒng)計(jì)信息可視化、作者寫作風(fēng)格特征可視化、作者識(shí)別評(píng)價(jià)指標(biāo)可視化等功能。

2. 2 系統(tǒng)流程

本文設(shè)計(jì)的作者識(shí)別系統(tǒng)，運(yùn)行流程圖如圖2所示，包括5個(gè)步驟。

圖2 作者識(shí)別系統(tǒng)流程圖

（1）添加文本。選擇添加待識(shí)別文本或從候選作者文本集中選擇訓(xùn)練文本。此外通過數(shù)據(jù)集管理模塊，可以管理候選作者文本集。

（2）文本預(yù)處理。清洗文本并生成樣本。

（3）自然語言處理。選擇需要進(jìn)行的自然語言處理，包括分詞、詞性標(biāo)注、分句、句法樹分析和依存關(guān)系分析等。

（4）提取作者寫作風(fēng)格特征。包括字符統(tǒng)計(jì)特征、詞匯統(tǒng)計(jì)特征和句子結(jié)構(gòu)統(tǒng)計(jì)特征等。

（5）選擇傳統(tǒng)機(jī)器學(xué)習(xí)方法或深度學(xué)習(xí)方法。如果選擇深度學(xué)習(xí)方法執(zhí)行步驟①，否則執(zhí)行步驟②。

①訓(xùn)練深度學(xué)習(xí)模型，并識(shí)別作者。

②訓(xùn)練傳統(tǒng)機(jī)器學(xué)習(xí)模型，并識(shí)別作者。

（6）結(jié)果可視化。以可視化的形式，顯示評(píng)價(jià)指標(biāo)。

3 實(shí)驗(yàn)結(jié)果

本文選擇13位作者共計(jì)31部作品構(gòu)建候選作者文本集，作品包括小說、散文和網(wǎng)絡(luò)文本三種體裁，其中，同一作者書寫的網(wǎng)絡(luò)文本按一部作品計(jì)算。小說和散文刪除了首行縮進(jìn)、標(biāo)題和換行符、超鏈接等非作者原文中出現(xiàn)的特殊符號(hào)，網(wǎng)絡(luò)文本刪除了轉(zhuǎn)發(fā)、@和超鏈接等內(nèi)容，以求最大限度的保留作者的寫作風(fēng)格。本文按照512字長(zhǎng)，將每部作品分割為多個(gè)文本塊，每位作者隨機(jī)抽取100個(gè)文本塊，共計(jì)1300個(gè)文本塊，作為候選作者文本集。

本文采用多特征融合深度神經(jīng)網(wǎng)絡(luò)的方法識(shí)別作者，與典型的深度神經(jīng)網(wǎng)絡(luò)方法相比較，該方法除了將完整的文本塊作為輸入外，還融合了字符統(tǒng)計(jì)特征、詞匯統(tǒng)計(jì)特征和句子結(jié)構(gòu)統(tǒng)計(jì)特征，具體如下：

字符統(tǒng)計(jì)特征：所有字符個(gè)數(shù)、中文字符個(gè)數(shù)、數(shù)字字符個(gè)數(shù)、字母?jìng)€(gè)數(shù)、空符號(hào)個(gè)數(shù)、特殊符號(hào)個(gè)數(shù)、標(biāo)點(diǎn)符號(hào)個(gè)數(shù)、不同標(biāo)點(diǎn)符號(hào)個(gè)數(shù)。

詞匯統(tǒng)計(jì)特征：所有詞個(gè)數(shù)、詞最大長(zhǎng)度、句子最小長(zhǎng)度、平均詞長(zhǎng)、詞長(zhǎng)方差、長(zhǎng)詞個(gè)數(shù)、短詞個(gè)數(shù)、四字詞個(gè)數(shù)、詞匯豐富度。

句子結(jié)構(gòu)統(tǒng)計(jì)特征：句子總個(gè)數(shù)、句子最大長(zhǎng)度、句子最小長(zhǎng)度、平均長(zhǎng)度、句長(zhǎng)方差、長(zhǎng)句子個(gè)數(shù)、短句子個(gè)數(shù)。

本文采用5折交叉驗(yàn)證的方法，對(duì)候選作者文本集進(jìn)行作者識(shí)別，平均識(shí)別準(zhǔn)確率達(dá)到了89.6%。

4 結(jié)語

針對(duì)匿名作品的作者識(shí)別問題，本文設(shè)計(jì)了由數(shù)據(jù)集管理、文本預(yù)處理、自然語言處理、特征表示、傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和可視化七個(gè)模塊組成的作者識(shí)別系統(tǒng)，該系統(tǒng)支持傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩類作者識(shí)別方法。最終，本文采用多特征融合深度神經(jīng)網(wǎng)絡(luò)的方法識(shí)別由13位作者，每位作者100個(gè)文本塊組成的候選作者文本集，獲得了89.6%的準(zhǔn)確率。