arXiv cs.CL· Omkar Yadav, Michael Jiang, Kenan Alkiek, Jian Zhu, David Jurgens·· 11 小时前AI 评分22
让作者表征捕捉多种写作风格：作者级风格混合模型提升作者归属任务表现
Consistent yet Contextual: Learning Author-Level Mixtures of Style for Authorship Attribution
AI 导读
研究者提出多种作者级建模方案，允许单个作者的表征捕捉多种一致但不同的写作风格，在作者验证与归属任务上取得显著性能提升。基于该模型，研究在写作受众规模变化、与训练时间的时间距离、前文上下文影响、体裁规范影响四个场景下考察作者写作的个人风格程度，发现作者之间的个人化程度差异很大。结果表明作者需以多种风格表征建模，且部分场景产生的文本对判断作者身份更具信息量。
正文 · AI 翻译
摘要：作者身份验证或归属的方法通常对文档的风格进行建模，询问两份文档是否可能由同一作者撰写。尽管近期的方法性能良好，但这些方法在很大程度上忽略了作者本身的建模以及其风格的多样性。在此，我们引入了多种作者建模的替代方案，并证明允许作者表示捕捉多种一致但不同的写作风格可带来显著的性能提升。利用我们新的作者身份模型，我们随后在四种场景下考察作者何时以最符合其风格的方式写作：(i) 其写作受众规模的变化，(ii) 与模型训练时间的时间距离，(iii) 前文语境的影响，以及 (iv) 体裁规范对风格的影响。在所有四项实验中，我们证明作者在写作的个人语特色程度上差异很大。我们的结果对作者身份验证与归属的建模及所用数据均有明确启示，表明作者需要以其多种风格来表示，并且某些设置会产生关于文本作者身份信息量更大的文本。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.07111 [cs.CL] |
| （或 arXiv:2611.07111v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07111 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：David Jurgens [查看邮箱]
[v1]
2026年11月4日星期三 20:25:47 UTC（187 KB）
来源：arXiv cs.CL · arxiv.org