作者身份识别中不规范文本特征选择方法的研究

摘要：

[目的]从不规范文本中提取特征,识别网络文本作者身份.[方法]提出两种在不规范文本中提取特征的方法:利用在Jaccard系数的基础上定义的不规范文本相似度M;利用不规范文本在文本中出现的次数.[结果]两种特征的识别正确率分别达到85.1％和80.2％,加入这两种特征后,传统的基于统计值特征的分类器识别正确率分别提高5.8％和4％.[局限]只考虑到网络文本在词汇层面的不规范性,并没有针对更高层面的特性进行研究,如句法层面、结构层面.[结论]本文提出的特征提取方法,可以有效地提取不规范文本特征,有助于作者身份识别系统识别正确率的提升.

关键词：作者身份、不规范文本、网络文本、文本相似度

分类号：TP391.1;G353(计算技术、计算机技术)

资助基金：本文系国家社会科学基金项目“典籍英译国外读者网上评论观点挖掘研究”项目编号:15BYY028和大连外国语大学科研项目“英文作者身份识别中书写不规范文本处理方法的研究”项目编号:2014XJQN15的研究成果之一.

在线出版日期：2017-01-17（万方平台首次上网日期，不代表论文的发表时间）

页码：27-33