Authorship attribution for Differences between Literary Texts by Bilingual Russian-French and Non-Bilingual French Authors
University of Lausanne(洛桑大学)
20世纪末的俄法双语作家,如安德烈·马金、瓦列里·阿法纳西耶夫、弗拉基米尔·费多罗夫斯基、叶戈尔·格兰、卢巴·尤尔根森,他们用法语写的小说有共同的文体特征吗?我们能区分它们和非双语法国作家的文本吗?俄罗斯作家的法语文本中是否存在干扰现象?本文应用支持向量机(SVM)、$K$ -最近邻(KNN)、岭分类法和神经网络等作者归属方法来回答这些问题。
2023-03-01 cs.CL
More than Word Frequencies: Authorship Attribution via Natural Frequency Zoned Word Distribution Analysis
随着数字文本数据的日益普及和可用性,由于易于复制和解析,数字文本的作者身份不能被视为理所当然。本文提出了一种新的文本风格分析方法--自然频率分区词分布分析(NFZ-WDA),并在此基础上提出了一种基本的数字文本作者归属方案和一种开放的数字文本作者归属方案。NFZ-WDA是基于这样一种观察,即所有作者都会在他们所写的文本中留下独特的内在词汇使用痕迹,这些内在风格可以被识别并用于分析作者身份。通过分析词在文本中的分布,可以估计出文本中的固有的词使用风格,这比一般的词频分析更有意义,可以表示为:文本中使用了哪些组词;每组词出现的频率如何;每组词在文本中的出现分布如何。接下来,基本作者归属方案和开放作者归属方案为封闭和开放作者归属问题提供了解决方案。通过分析和大量的实验研究,本文证明了所提出的方法的有效性的作者归属。
2012-08-15 cs.CL
Authorship Attribution through Function Word Adjacency Networks
University of Pennsylvania(宾夕法尼亚大学)
提出了一种基于功能词邻接网络的作者归属方法。虚词是表达其他词之间的语法关系,但本身不携带词汇意义的词类。在本文的广域网中,节点是功能词,有向边代表在源词的有序邻域中找到汇词的可能性。WAN的不同作者可以被解释为转移概率的马尔可夫链,因此比较它们的相对熵。WAN参数的最佳选择进行了研究,并在不同的作者池和不同的文本长度的基准属性的准确性。这种分析表明,由于功能词是独立的内容,它们的使用往往是特定的作者和功能广域网捕获的关系数据是一个很好的总结风格指纹。归因的准确性,观察到超过一个单独依靠词频的方法实现。进一步结合广域网的方法,只依赖于词频,结果在更大的归因准确性,表明这两个信息源编码的作者风格的不同方面。
2014-06-17 cs.CL cs.LG stat.ML
Authorship Attribution Using Word Network Features
University of North Texas(北德克萨斯大学)
在本文中,我们探索了一套新颖的功能,作者归属的文件。这些特征来自于自然语言文本的词网络表示。正如在以前的研究中所指出的,自然语言倾向于在词级上表现出复杂的网络结构,具有低的分离度和无标度(幂律)度分布。还有一些关于作者归属的工作,其中包含了来自复杂网络的想法。本文的目标是探索这些复杂网络的属性,这些属性适合作为基于机器学习的文档作者归属的特征。我们在三个不同的数据集上进行了实验,并获得了令人满意的结果。
2013-11-12 cs.CL
Text Classification For Authorship Attribution Analysis
Cochin University(科钦大学);Adi Shankara Institute of Engineering and Technology(阿迪·商羯罗工程技术学院)
作者归属主要是指文学作品的作者未定问题。作者归属在解决诸如作者身份不确定、未知文本的作者身份识别、剽窃识别等问题上是非常有用的。统计方法可以用来从数字上区分作者的方法。计算文体学的基本方法是字长、句长、词汇量、频率等。每个作者都有自己独特的写作风格。统计定量技术可以用来区分作者的方法在一个数字的方式。该问题可以分解为作者识别、作者刻画和相似性检测三个子问题。所涉及的步骤是预处理,提取特征,分类和作者识别。为此,可以使用不同的分类器。这里使用模糊学习分类器和SVM。经过作者的识别,SVM比模糊分类器有更高的准确性。后来结合分类器,以获得更好的准确性相比,单独的SVM和模糊分类器。
2013-10-18 cs.CL cs.DL cs.LG
Style-aware Neural Model with Application in Authorship Attribution
University of Central Florida(中佛罗里达大学)
写作风格是与特定作者在不同语言产生水平(包括词汇,句法和结构)相关的一致决定的组合。在本文中,我们引入了一个风格感知的神经模型编码的文档信息从三个风格层次和评估它在域的作者归属。首先,我们提出了一个简单的方法来共同编码句子的句法和词汇表示。随后,我们采用了基于注意力的分层神经网络来编码文档中句子的句法和语义结构,同时奖励那些对捕捉写作风格贡献更大的句子。我们的实验结果,四个基准数据集的基础上,揭示了编码文档信息的好处,从所有三个文体水平相比,在文献中的基线方法。
2019-09-12 cs.CL cs.LG
Author Representation Strategies for Zero-Shot Authorship Attribution: A Comparative Study of LLM-Based and Embedding-Based Approaches
Luleå University of Technology(吕勒奥理工大学)
本研究比较了基于LLM和嵌入的作者表示策略,提出两阶段LISA框架,在零样本作者归属中取得最优性能,凸显作者表示的关键作用。
2026-10-05 cs.CL
Boosting word frequencies in authorship attribution
Institute of Polish Language, Polish Academy of Sciences(波兰科学院波兰语研究所)
在本文中,我介绍了一个简单的方法来计算相对词频的作者归属和类似的文体任务。我认为,一个更有效的规范化因子是相关令牌的总数,而不是计算相对频率的出现次数除以一个给定的词在文本中的令牌的总数。相关词的概念包括同义词,通常还有几十个在某些方面与所讨论的词语义相似的其他词。为了确定这样的语义背景,可以使用词嵌入模型之一。所提出的方法优于经典的最频繁的词的方法,通常由几个百分点,这取决于输入设置。
2022-11-02 cs.CL cs.LG
Authorship Attribution in Bangla literature using Character-level CNN
Shahjalal University of Science and Technology(沙贾拉勒科技大学)
字符是文本的最小单位,可以提取样式信号来确定文本的作者。在本文中,我们调查的有效性,字符级的信号在孟加拉文学的作者归属,并表明,结果是有前途的,但可改进的。所提出的模型的时间和内存效率是远远高于词级同行,但准确率是2-5%,低于最好的表现词级模型。各种基于单词的模型进行比较,并表明,该模型的性能越来越好,更大的数据集。我们还分析了不同孟加拉语字符集的预训练字符嵌入在作者归属中的效果。可以看出,性能在预训练时提高了10%。我们使用了来自6到14位作者的2个数据集,在训练之前对它们进行平衡并比较结果。
2020-01-11 cs.AI cs.CL cs.LG
XAM: Interactive Explainability for Authorship Attribution Models
Columbia University(哥伦比亚大学);Stony Brook University(石溪大学);University of Pennsylvania(宾夕法尼亚大学)
IXAM通过交互式探索嵌入空间,提供作者归属模型的多粒度写作风格解释,提升模型预测的可解释性。
2025-12-07 cs.CL
DT-grams: Structured Dependency Grammar Stylometry for Cross-Language Authorship Attribution
Universität Innsbruck(因斯布鲁克大学)
跨语言的作者归属问题依赖于翻译,使使用单一语言的功能,或语言无关的特征提取方法。直到最近,缺乏数据集的这个问题阻碍了后者的发展,和单一语言的解决方案进行机器翻译语料库。在本文中,我们提出了一种新的独立于语言的功能,作者分析依赖图和通用部分的语音标签的基础上,被称为DT-gram(依赖树图),这是通过选择特定的子部分的依赖图的句子。我们通过对双语作者的未翻译数据集进行跨语言作者归属来评估DT-gram,结果表明,平均而言,它们在五种不同语言对中的宏观平均F1得分比以前的方法高出0.081。此外,通过提供不同特征集的结果进行比较,我们为以前未翻译的跨语言作者归属任务提供了一个基线。
2021-06-10 cs.CL
Open Set Authorship Attribution toward Demystifying Victorian Periodicals
Purdue University(普渡大学);Indiana University(印第安纳大学);Intel(英特尔);IUPUI(印第安纳大学与普渡大学印第安纳波利斯联合分校)
现有的研究在计算的作者归属(AA)主要集中在归因任务与有限数量的作者在一个封闭的配置。这种限制性的设置在处理高度纠缠的现实AA任务时是远远不现实的,这些任务涉及大量的候选作者,以便在测试期间进行归因。在本文中,我们研究AA在历史文本中使用新的数据集汇编维多利亚文学。我们调查的预测能力,最常见的英语单词区分最突出的维多利亚小说家的作品。我们挑战了闭集分类假设,并讨论了标准机器学习技术在处理开集AA任务时的局限性。我们的实验表明,一个线性分类器可以实现接近完美的归因精度下封闭的集合假设,但需要更强大的方法变得明显,一旦一个大的候选池必须考虑在开集分类设置。
2019-12-17 cs.CL
T5 meets Tybalt: Author Attribution in Early Modern English Drama Using Large Language Models
Cornell University(康奈尔大学)
本文研究大型语言模型在早期现代英语戏剧作者归属中的应用,发现微调后的 t5-large 在小段落归属上优于逻辑回归、线性核 SVM 和 cosine delta 等基线,但模型存在自信误判及预训练数据作者偏差等隐患。
2023-10-27 cs.CL cs.LG
Unsupervised authorship attribution
我们描述了一种技术,用于将书面文本的部分归因于一组未知的作者。没有什么是假定已知的先验的写作风格的潜在作者。我们使用输入文本的多个独立聚类来识别彼此相似和不相似的部分。我们描述了必要的算法,结合成一个有意义的输出的多个聚类。我们展示了该技术在具有多种写作风格的文本上的应用结果。
2015-03-26 cs.CL
Leveraging Discourse Information Effectively for Authorship Attribution
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们探讨的技术,以最大限度地提高话语信息的有效性,在作者归属的任务。我们提出了一种新的方法来嵌入话语特征的卷积神经网络文本分类器,实现了一个国家的最先进的结果,由一个相当大的利润。我们实证研究了几种特征化方法,以了解在何种条件下话语特征有助于非平凡的性能增益,并分析话语嵌入。
2017-09-07 cs.CL
Syntactic Recurrent Neural Network for Authorship Attribution
University of Central Florida(中佛罗里达大学)
写作风格是在语言产生的不同层面上,包括与特定作者(或作者群体)相关的词汇,句法和结构的一致决定的组合。虽然基于词汇的模型在基于风格的文本分类中得到了广泛的研究,但在处理由各种主题组成的异构数据时,依赖于内容的模型的可扩展性较差。另一方面,与内容无关的句法模型对主题变化更鲁棒。在本文中,我们引入了一个句法循环神经网络编码的句法模式的一个层次结构的文件。该模型首先从词性标签序列中学习句子的句法表示。为此,我们利用卷积滤波器和长短期记忆来研究句子中词性标签的短期和长期依赖性。随后,句子的句法表示使用递归神经网络聚合成文档表示。我们在PAN 2012数据集上进行的作者归属任务的实验结果表明,句法循环神经网络在准确率方面比具有相同架构的词汇模型高出约14%。
2019-02-27 cs.CL cs.LG
Can Authorship Attribution Models Distinguish Speakers in Speech Transcripts?
Johns Hopkins University(约翰霍普金斯大学);Université du Québec à Montréal(魁北克大学蒙特利尔分校)
针对语音转录文本说话人归属缺乏基准、现有书面文本模型受话题干扰大的问题,本文构建了控制话题关联的对话语音说话人归属新基准,对比多类基线模型确立SOTA,并分析了转录风格和微调的影响。
2025-05-16 cs.CL cs.LG
Integrating Bidirectional Long Short-Term Memory with Subword Embedding for Authorship Attribution
University of Pretoria(比勒陀利亚大学);University of the Witwatersrand(金山大学);Durban University of Technology(德班理工大学)
提出基于BLSTM与二维CNN的方法,利用子词信息捕捉序列写作风格,解决作者归属中未登录词问题,在CCAT50和Twitter上准确率分别提升1.07%和0.96%。
2023-06-26 cs.AI cs.CL cs.LG
The Topic Confusion Task: A Novel Scenario for Authorship Attribution
McGill University(麦吉尔大学);Mila(米拉研究所)
作者归属是从一组候选作者中识别匿名文本的最可信作者的问题。研究人员调查了同一主题和跨主题的作者归属情况,这取决于测试阶段是否使用了新的、看不见的主题。然而,这两种情况都不允许我们解释错误是由于未能捕捉作者的写作风格还是由于主题转移而引起的。受此启发,我们提出了\emph{topic confusion}任务,我们在训练集和测试集之间切换作者主题配置。这种设置允许我们区分两种类型的错误:由主题转移引起的错误和由功能无法捕获写作风格引起的错误。我们发现,与词性标签的文体特征是最不容易受到主题变化。我们进一步表明,将它们与其他功能相结合,可以显着降低主题混淆和更高的归因准确性。最后,我们证明了预训练的语言模型,如BERT和RoBERTa在这项任务中表现不佳,并且被单词级$n$ -grams等简单特征所超越。
2021-09-09 cs.CL
Datasets and Models for Authorship Attribution on Italian Personal Writings
Institute of Linguistics and Language Technology, University of Malta(马耳他大学语言学与语言技术研究所);Center for Language and Cognition, University of Groningen(格罗宁根大学语言与认知中心)
作者身份归因的现有研究主要集中在有大量数据的文本(如小说)上,主要是英语文本。我们在两个小说数据集上对意大利语短文进行了作者身份验证,并分析了体裁、主题、性别和长度之间的相互作用。结果表明,即使数据很少,AV也是可行的,但更多的证据会有所帮助。性别和话题可以作为指示性线索,如果不加以控制,它们可能会超过个人风格的更具体方面。
2020-11-16 cs.CL
Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI
University of Oregon(俄勒冈大学);Adobe Research(Adobe研究)
本文提出EAVAE框架,通过解耦风格与内容来提升作者归属和AI生成文本检测的泛化能力,实验表明在多个数据集上达到最佳性能。
2026-04-23 cs.CL cs.IR cs.LG
Variational Autoencoder with Embedded Student-$t$ Mixture Model for Authorship Attribution
Ruhr University Bochum(波鸿鲁尔大学);Bucknell University(巴克内尔大学)
传统的计算作者归属描述的是闭集场景下的分类任务。给定一组有限的候选作者和相应的标记文本,目标是确定哪些作者写了另一组匿名或有争议的文本。在这项工作中,我们提出了一个概率自动编码框架来处理这个监督分类任务。更确切地说,我们正在扩展的变分自编码器(VAE)与嵌入高斯混合模型的学生- $t$混合模型。自动编码器在学习潜在表征方面取得了巨大的成功。然而,现有的VAE目前仍然受到潜在空间中潜在概率分布的假定高斯性所施加的限制的约束。在这项工作中,我们将VAE的高斯模型扩展到Student- $t$模型,该模型允许独立控制隐含概率密度各自尾部的“沉重程度”。在亚马逊评论数据集上的实验表明,所提出的方法具有优越的性能。
2020-05-28 cs.CL cs.LG stat.ML
Authorship Attribution Using a Neural Network Language Model
Purdue University(普渡大学)
在实践中,由于有限的数据资源,为单个作者训练语言模型通常是昂贵的。在这种情况下,神经网络语言模型(NNLM)通常优于传统的非参数N-gram模型。在这里,我们研究了前馈NNLM在作者归属问题上的性能,适度的作者集大小和相对有限的数据。我们还考虑了文本主题如何影响性能。与构造良好的N-gram基线方法与Kneser-Ney平滑相比,该方法实现了近2:5%的困惑减少,平均提高作者分类准确率3:43%,给出了5个测试句子。在准确性和对测试数据的要求方面,其性能与最先进的技术相比具有很强的竞争力。源代码、预处理数据集、方法和结果的详细描述可在https://github.com/zge/authorship-attribution上获得。
2016-02-17 cs.AI cs.CL
On the State of the Art in Authorship Attribution and Authorship Verification
DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);Carnegie Mellon University(卡内基梅隆大学);Duke University(杜克大学)
尽管作者归属(AA)和作者身份验证(AV)研究了几十年,但不一致的数据集分割/过滤和不匹配的评估方法使得难以评估最新技术水平。在本文中,我们对该领域进行了调查,解决了混淆点,介绍了验证和基准AA/AV数据集和指标的Valla,提供了大规模的实证评估,并提供现有方法之间的苹果对苹果比较。我们在15个数据集(包括分布转移的挑战集)上评估了8种有前途的方法,并介绍了一个新的基于古腾堡项目存档文本的大规模数据集。令人惊讶的是,我们发现传统的基于Ngram的模型在5个(7个)AA任务上表现最好,实现了$76.50\%$的平均宏观准确度(与基于BERT的模型的$66.71\%$相比)。然而,在每个作者的字数最多的两个AA数据集以及AV数据集上,基于BERT的模型表现最好。虽然AV方法很容易应用于AA,但它们很少作为AA论文的基线。我们表明,通过应用硬否定挖掘,AV方法是AA方法的竞争替代品。Valla和所有实验代码可以在这里找到:https://github.com/JacobTyo/Valla
2022-10-05 cs.AI cs.CL cs.LG
ALMs: Authorial Language Models for Authorship Attribution
University of Birmingham(伯明翰大学)
本文提出作者语言模型(ALMs),通过计算候选作者语料微调的因果语言模型对存疑文档的困惑度来识别作者,在Blogs50和CCAT50数据集上表现优异,并在短文本上进行了消融测试。
2024-02-13 cs.CL
Assessing the Stylistic Properties of Neurally Generated Text in Authorship Attribution
University of Antwerp(安特卫普大学);Ghent University(根特大学)
近年来,神经语言模型的应用引起了人们对自动生成自然语言的兴趣。然而令人印象深刻的是,迄今为止,对神经生成文本的评估仍然相当非正式和轶事。在这里,我们提出了一种尝试,在系统评估的一个方面的质量神经生成的文本。我们专注于神经语言生成的一个特定方面:它再现作者写作风格的能力。使用已建立的作者归属模型,我们经验性地评估神经生成文本的文体质量。与传统的语言模型相比,神经模型生成更模糊的文本,这相对更难正确地归属。然而,我们的研究结果也表明,神经生成的文本提供了更有价值的观点,为增强训练数据。
2017-08-18 cs.CL
Authorship attribution via network motifs identification
University of Toronto(多伦多大学);University of São Paulo(圣保罗大学)
复杂网络的概念和方法可以用来分析不同复杂程度的文本。通过网络拓扑分析研究的自然语言处理(NLP)任务的例子是关键字识别,自动提取摘要和作者归属。尽管已经有大量的网络测量方法被应用于研究作者归属问题,但使用主题进行文本分析仅限于少数作品。本文的目的是应用主题的概念,经常性的互联模式,在作者归属任务。从共现网络中提取所有13个有向基序的绝对频率,并将其作为分类特征。这些功能的有效性进行了验证与四个机器学习方法。研究结果表明,母题能够区分不同作者的写作风格。在我们最好的情况下,57.5%的书籍被正确分类。这个问题的概率基线是12.5%。此外,我们还发现虚词在这些重复模式中起着重要的作用。综上所述,我们的研究结果表明,在其他相关的语言任务中,应该进一步探讨母题。
2016-07-23 cs.CL
Sui Generis: Large Language Models for Authorship Attribution and Verification in Latin
Radboud University(拉德堡德大学);HSE University(高等经济大学);THWS(维尔茨堡-施韦因富特应用科学大学)
该研究评估大语言模型在教父时代拉丁语文本作者归属与验证任务的表现,发现其零样本验证有鲁棒性但易受语义干扰,且难引导决策,特定场景超传统基线但获可解释结果需大量实验。
2024-10-11 cs.CL
Separating Style from Substance: Enhancing Cross-Genre Authorship Attribution through Data Selection and Presentation
Information Sciences Institute, University of Southern California(南加州大学信息科学学院)
针对跨主题与跨体裁作者归属识别中训练数据稀缺及模型依赖主题的问题,本文提出训练数据选择方法和新型学习课程,显著提升跨体裁识别性能。
2024-08-09 cs.CL
Unsigned Play by Milan Kundera? An Authorship Attribution Study
Institute of Czech Literature, Czech Academy of Sciences(捷克科学院捷克文学研究所)
本研究运用有监督机器学习方法,对剧作《尤罗·亚诺希克》进行作者归属分析,结果强烈支持该剧实为米兰·昆德拉所作,而非其学生卡雷尔·施泰格瓦尔德。
2022-12-19 cs.CL
Neural Authorship Attribution: Stylometric Analysis on Large Language Models
Arizona State University(亚利桑那州立大学)
本文针对专有与开源 LLM 生成文本的来源识别问题,结合词汇、句法和结构文体特征增强预训练分类器,并通过实证比较揭示不同模型的写作签名。
2023-08-14 cs.AI cs.CL
Enhancing Authorship Attribution through Embedding Fusion: A Novel Approach with Masked and Encoder-Decoder Language Models
University at Buffalo, The State University of New York(纽约州立大学布法罗分校)
针对AI生成与人类撰写文本的区分需求,提出基于多预训练语言模型嵌入融合的作者归属识别框架,在五类大模型生成的平衡数据集上实现超96%的分类准确率与0.93以上的MCC,验证了方法的有效性与鲁棒性。
2024-11-01 cs.CL cs.LG
Learning Text Styles: A Study on Transfer, Attribution, and Verification
SUTD(新加坡科技设计大学);ISTD(科技设计学院)
本文围绕文本风格迁移、作者归属与作者验证三大任务,提出基于大语言模型参数高效适配、对比解耦和指令微调的方法,以提升风格操控与作者识别的效果和可解释性。
2025-07-22 cs.CL
Quantifying Misattribution Unfairness in Authorship Attribution
Stony Brook University(石溪大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出误归因不公平指数MAUIk,量化作者归属模型中不同作者被误判为文本作者的风险差异,发现模型普遍存在不公平性且与作者嵌入向量距质心远近相关。
2025-06-02 cs.CL
A Self-supervised Representation Learning of Sentence Structure for Authorship Attribution
University of Central Florida(中佛罗里达大学)
文档中句子的句法结构实质上反映了作者的写作风格。近年来,句子表示学习得到了广泛的研究,研究表明,它可以提高许多领域中不同下游任务的泛化能力。尽管在几项研究中使用探测方法表明,这些学习的上下文表示隐含地编码了一些语法,但显式语法信息进一步提高了深层神经模型在作者归属领域的性能。这些观察促使我们研究句子句法结构的外显表示学习。在本文中,我们提出了一个自我监督的框架学习句子的结构表示。自监督网络包含两个组成部分:词汇子网络和句法子网络,分别将单词序列及其相应的结构标签作为输入。由于单词到其结构标签的n到1映射,每个单词将被嵌入到主要携带结构信息的向量表示中。我们使用不同的探测任务来评估学习到的句子结构表征,并随后在作者归属任务中利用它们。我们的实验结果表明,结构嵌入显着提高分类任务时,与现有的预训练词嵌入连接。
2022-02-24 cs.CL
A Bayesian Approach to Harnessing the Power of LLMs in Authorship Attribution
University of Maryland(马里兰大学);Adobe Research(奥多比研究院)
本研究针对传统作者归属方法的局限,提出基于贝叶斯方法利用预训练大语言模型概率输出的单样本作者归属方案,在多数据集上取得85%的准确率,设定了新基准并拓展了大语言模型在司法语言学的应用。
2024-10-29 cs.AI cs.CL stat.AP
One-shot Style Transfer LLM log-probabilities for Authorship Attribution and Verification
Department of Computer Systems(计算机系统系);Technical University of Madrid(马德里技术大学)
本文提出利用LLM的单次风格迁移能力,通过无监督方法提升作者身份识别与验证的性能,同时优化计算成本与任务表现的平衡。
2026-09-02 cs.AI cs.CL
Authorship Attribution Using the Chaos Game Representation
Wolfram Research(沃尔夫勒姆研究公司);Faculty of Sciences, University of Craiova(克拉约瓦大学理学院)
混沌游戏表示,一种从核苷酸序列创建图像的方法,被修改为从文本文档块中创建图像。然后,机器学习方法被应用于基于作者身份的训练分类器。实验进行了几个基准数据集的英语,包括广泛使用的联邦党人论文,和葡萄牙语。训练的分类器的验证结果与先前文献中的最佳方法具有竞争力。该方法也成功地应用于文本分类,取得了令人鼓舞的结果。此外,一种分类器方法被认为是数字指纹识别任务的希望。
2018-02-14 cs.CL cs.DL cs.IR
Are You Robert or RoBERTa? Deceiving Online Authorship Attribution Models Using Neural Text Generators
University of Kent(肯特大学)
最近,强大的预训练自然语言模型的开发正在兴起,包括GPT-2、Grover和XLM。这些模型已经显示出对各种不同NLP任务的最先进的能力,包括问答,内容摘要和文本生成。除此之外,还有许多研究关注在线作者归属(AA)。也就是说,使用模型来识别在线文本的作者。鉴于自然语言模型在生成令人信服的文本方面的能力,本文研究了这些语言模型在多大程度上可以生成能够欺骗在线AA模型的文本。实验与博客和Twitter的数据,我们利用GPT-2语言模型生成文本使用现有的帖子的在线用户。然后,我们研究这些基于AI的文本生成器是否能够模仿作者风格,以至于它们可以欺骗典型的AA模型。由此,我们发现当前基于人工智能的文本生成器能够成功地模仿作者身份,在两个数据集上都显示了这方面的能力。我们的研究结果,反过来,突出了强大的自然语言模型,以生成原始的在线帖子,能够模仿作者风格足以欺骗流行的AA方法的当前能力;一个关键的发现,考虑到AA在现实世界中的应用,如垃圾邮件检测和法医调查的建议作用。
2022-03-18 cs.AI cs.CL cs.LG
A Girl Has A Name: Detecting Authorship Obfuscation
The University of Iowa(爱荷华大学)
作者归属的目的是在文体分析的基础上确定文本的作者。另一方面,作者身份混淆旨在通过修改文本的风格来防止作者归属。在本文中,我们评估了对抗性威胁模型下最先进的作者身份混淆方法的隐蔽性。混淆器是隐形的,在某种程度上,对手发现检测混淆器修改的文本是否被混淆是具有挑战性的-这是对作者归属感兴趣的对手的关键决定。我们发现,现有的作者身份混淆方法并不隐秘,因为它们的混淆文本可以被识别,平均F1得分为0.87。缺乏隐蔽性的原因是这些模糊器以可检测的方式降低了文本平滑度,如神经语言模型所确定的。我们的研究结果强调需要开发隐形的作者身份混淆方法,可以更好地保护作者的身份寻求匿名。
2020-05-02 cs.CL cs.IR cs.LG
Cracking Double-Blind Review: Authorship Attribution with Deep Learning
University of Zurich(苏黎世大学)
提出基于transformer的神经网络架构,利用文本和参考文献作者姓名进行匿名手稿作者归属,在arXiv超200万篇论文数据集上达到73%准确率,揭示了双盲评审的潜在风险。
2023-07-03 cs.CL
Latent Space Interpretation for Stylistic Analysis and Explainable Authorship Attribution
Columbia University(哥伦比亚大学);University of Pennsylvania(宾夕法尼亚大学)
针对现有作者归属方法潜在空间不可解释的问题,提出通过识别潜在空间代表点并利用LLM生成风格自然语言描述的解释方法,实现了最优预测一致性,且能将人类完成作者归属任务的准确率平均提升约20%。
2024-09-11 cs.CL
Detecting Generic Music Features with Single Layer Feedforward Network using Unsupervised Hebbian Computation
National Institute of Electronics & Information Technology(印度电子与信息技术学院);RCC Institute of Information Technology(RCC信息技术学院)
随着数字音乐数量的不断增加以及通过流行的在线音乐流媒体软件和应用程序的大量音乐曲目特征,使用神经网络的特征识别正在用于实验,以在最近的各种实验中产生广泛的结果。通过这项工作,作者从一个流行的开源音乐语料库中提取有关这些特征的信息,并通过使用相同数据集在单层神经网络上应用无监督Hebbian学习技术来探索新的识别技术。作者展示了详细的实证研究结果,以模拟这种算法如何帮助单层前馈网络训练音乐特征学习作为模式。无监督训练算法增强了他们提出的神经网络,成功检测音乐特征的准确率达到90.36%。为了与类似的任务进行比较分析,作者将他们的结果与之前的几个基准作品进行了比较。他们进一步讨论了他们工作的局限性和彻底的错误分析。作者希望发现和收集有关这种特定分类技术及其性能的新信息,并进一步了解未来可能改善计算音乐特征识别艺术的潜在方向和前景。
2020-08-31 cs.CL
Authorship Attribution in Bangla Literature (AABL) via Transfer Learning using ULMFiT
Shahjalal University of Science and Technology(沙赫贾拉勒科技大学)
针对孟加拉语作者归属研究匮乏、现有系统可扩展性差且小样本性能下降的问题,本文提出基于AWD-LSTM和ULMFiT迁移学习的方法,构建了BAAD16数据集,取得99.8%的准确率,提升了系统可扩展性和小样本稳定性。
2024-03-08 cs.CL
An Investigation of Supervised Learning Methods for Authorship Attribution in Short Hinglish Texts using Char & Word N-grams
Microsoft Corporation(微软公司);Guru Gobind Singh Indraprastha University(古鲁·戈宾德·辛格因德拉普拉斯塔大学)
一个人的写作风格可以被确认为一个独特的身份标志;使用的词语和句子的结构是可以识别特定作品作者的明确措施。文体学及其子集--作者归属,从19世纪开始就有着悠久的历史,直到现代我们仍然可以找到它们的应用。互联网的出现使归因研究的应用转向了非标准文本,这些文本相对较短,并且与大多数研究所做的长文本不同。本文的目的是重点研究从WhatsApp消息应用程序检索的简短在线文本,并使用监督学习方法研究马卡罗语(印度式英语)的独特特征,然后比较模型。各种特征,如单词n-gram和字符n-gram,通过方法进行比较,朴素贝叶斯分类器,支持向量机,条件树,和随机森林,以找到最好的分类,这样的语料库。我们的结果表明,SVM的测试准确率高达95.079%,而同样,Naive Bayes的数据集准确率高达94.455%。条件树和随机森林的性能不如预期。我们还发现,单词单字和字符3-grams功能更有可能区分作者准确比其他功能。
2018-12-26 cs.CL
Evaluation of Attribution Bias in Generator-Aware Retrieval-Augmented Large Language Models
Leiden University(莱顿大学);University of Strathclyde(斯特拉思克莱德大学);eBay Inc.(eBay公司);University of Amsterdam(阿姆斯特丹大学)
本文研究了RAG中LLMs的归因敏感性与作者身份偏差,发现添加作者信息会使归因质量改变3%至18%,且模型更偏向人类作者,揭示了LLMs的新脆弱性。
2025-07-12 cs.CL
BARD10: A New Benchmark Reveals Significance of Bangla Stop-Words in Authorship Attribution
Chittagong University of Engineering & Technology(吉大港工程技术大学);Brac University(布拉克大学)
本研究针对孟加拉语作者归属问题,构建平衡基准语料库BARD10,分析停用词移除对经典及深度学习模型的影响,揭示停用词的文体重要性,为相关研究提供可复现基准与关键见解。
2025-11-11 cs.AI cs.CL
Automatic Authorship Attribution in the Work of Tirso de Molina
Universidade de Santiago de Compostela(圣地亚哥德孔波斯特拉大学);Centro de Investigación en Tecnoloxías da Información (CiTIUS)(信息技术研究中心(CiTIUS))
本文利用数字人文中的自动作者归属方法,通过 R 语言的 Stylo 包和四种距离度量对五部传统上归属于西班牙剧作家 Tirso de Molina 的喜剧进行聚类分析,发现除 La mujer por fuerza 外,其余归属均被否认。
2023-04-01 cs.CL
Cross-Genre Authorship Attribution via LLM-Based Retrieve-and-Rerank
Information Sciences Institute(信息科学研究所);University of Southern California(南加州大学)
针对跨体裁作者归属易受主题干扰的问题,提出基于 LLM 的两阶段检索与重排序框架及针对性数据整理策略,在 HRS1、HRS2 上显著超越此前最优方法。
2025-10-19 cs.CL
A Comparative Study of LLM Prompting and Fine-Tuning for Cross-genre Authorship Attribution on Chinese Lyrics
Columbia University(哥伦比亚大学)
本文通过对比LLM提示与微调方法,研究中文歌词跨流派作者归属问题,提出新的数据集和领域模型,并探讨流派对性能的影响。
2025-11-26 cs.CL
IDTraffickers: An Authorship Attribution Dataset to link and connect Potential Human-Trafficking Operations on Text Escort Advertisements
Maastricht University(马斯特里赫特大学);Bashpole Software, Inc.(巴什波尔软件公司)
本研究发布了包含8万余条陪侍广告文本的IDTraffickers数据集,通过训练DeCLUTR-small模型建立作者归属基准,助力执法机构识别关联潜在人口贩运活动。
2023-10-09 cs.CL cs.CY cs.LG
On the role of words in the network structure of texts: application to authorship attribution
University of São Paulo(圣保罗大学)
成熟的文本自动分析主要考虑语言单位的频率,例如字母,单词和二元组,而基于共现网络的方法考虑文本的结构,而不管节点标签(即单词语义)。在本文中,我们调和这些不同的观点,通过引入一个广义的相似性度量来比较文本,该度量既考虑了文本的网络结构,也考虑了单个词在网络中的作用。我们使用的相似性度量的作者归属的三个集合的书籍,每个集合由8个作者和10本书的作者。高准确率获得的典型值从90%到98.75%,远远高于传统的TF-IDF方法相同的集合。这些准确性也高于仅考虑网络的拓扑结构。我们的结论是,在整个文本的宏观尺度结构上的特定单词的不同属性与它们的出现频率一样相关;相反,考虑节点的身份带来了对表示为网络的文本的进一步了解。
2017-05-11 cs.CL cs.SI
Authorship Attribution Based on Life-Like Network Automata
São Carlos Institute of Physics, University of São Paulo(圣保罗大学圣保罗物理研究所);Institute of Mathematics and Computer Science, University of São Paulo(圣保罗大学数学与计算机科学研究所)
作者归属是一个具有相当实际和技术意义的问题。已经设计了几种方法来推断在多种情况下有争议的文件的作者。虽然传统的统计方法仅基于字数和相关的测量提供了一个简单的,但在特定情况下有效的解决方案,它们很容易被操纵。最近,文本已经被成功地建模为网络,其中单词由根据文本相似性度量链接的节点表示。这样的模型是有用的,以确定信息的拓扑模式的作者身份识别任务。然而,对于应该使用哪些衡量标准,没有达成共识。因此,我们提出了一种新的方法来描述文本网络,考虑网络的拓扑和动力学方面。利用元胞自动机理论的概念和方法,我们设计了一种策略,从这个模型中掌握信息的时空模式。我们的实验表明,优于传统的分析只依赖于拓扑测量。值得注意的是,我们已经发现了依赖于预处理步骤(如lemmatization)所获得的结果,一个功能,大多被忽视的相关作品。这里获得的优化结果为更好地表征文本网络铺平了道路。
2016-10-20 cs.CL
DeepStyle: User Style Embedding for Authorship Attribution of Short Texts
University of Electronic Science and Technology of China(电子科技大学);Singapore Management University(新加坡管理大学);University of Saskatchewan(萨斯喀彻温大学)
作者归属(AA)是一个重要的研究课题,具有广泛的应用,它是一个发现给定文本的所有者的任务。最近的研究表明,深度学习方法可以显著提高AA任务的准确性。然而,这些提出的方法中的大多数使用单一类型的特征(例如,单词二元语法)并采用文本分类方法来解决该任务。此外,这些方法对AA结果的解释非常有限。在本文中,我们通过提出DeepStyle来解决这些限制,DeepStyle是一种基于嵌入的新框架,可以学习用户突出写作风格的表示。我们对来自Twitter和微博的两个真实世界数据集进行了广泛的实验。我们的实验结果表明,DeepStyle在AA任务上的表现优于最先进的基线。
2021-03-14 cs.CL cs.SI