基于文风的小说作者身份识别

1 课题背景 小说作者识别是给定一个待判定作者的小说内容，比如某一章，甚至是某一段文字，通过作品涉及到的争议作者所著的其他作品推测作者写作风格，并与待判定归属的作品风格进行比较，从而识别出真正的作者。 作者的写作风格体现在其文章的语法，词汇，语篇结构，句式以及句法等特点中，是写作过程中所形成的个人语言特征。不同的作者风格不同，基于这一特点可以比较准确推断出某篇文章的作者。 在此背景下，我们提出将写作风格作为特征，结合机器学习分类模型的研究方法，以期获得较好的识别效果。

2 作者识别概述 2.1 数据采集 数据来源：悠读文学网 https://www.yooread.net/。采集到的数据包括：

作者（author）主要信息

作品（novel）主要信息

章节（chapter）主要信息（文件大小26G左右）

采集策略：  作者专区页 https://www.yooread.net/writer/，采集作者信息  作者详细页 https://www.yooread.net/writer/387/，采集作品信息  作品详细页 https://www.yooread.net/1/1/，采集章节信息  章节内容页 https://www.yooread.net/1/1/1.html，采集章节内容

2.2 数据预处理 2.2.1 目标格式说明 项目的目标是作者识别，所以数据集以作者为单位进行分离，每个作者单独一个文件，该文件包含该作者所有作品的所有章节内容

数据集划分：按7比3的比例将该作者的所有作品分离成训练集和测试集。  训练集文件名：作者ID-r-00000_train_小说数量  测试集文件名：作者ID-r-00000_test_小说数量 样本只有1个时，划给训练集。测试集为0，但是还是生成对应的测试文件，读取文件时直接忽略掉

以下是划分样例说明

样本总数 训练集样本数 测试集样本数 1 1 0 2 1 1 3 2 1 4 3 1 5 4 1 6 5 1 7 5 2 8 6 2 9 7 2 10 7 3 11 8 3 12 9 3 13 10 3 14 10 4 15 11 4 16 12 4 17 12 5 18 13 5 19 14 5 20 14 6 21 15 6 22 16 6 23 17 6 24 17 7 25 18 7 26 19 7 27 19 8 28 20 8 29 21 8 30 21 9

每个文件，一行存放一条记录，代表一个章节。格式如下：4个字段，字段之间用\t隔开。其中作者ID、小说ID、章节ID依次升序排列  一个文件代表一个作者，所以同一文件中，所有记录的作者ID都相同  章节ID升序排序，章节ID小的，代表章节序相对靠前，保证小说内容的连贯性  章节内容是以段落为单位的，段落之间以空格作为分隔符 作者ID 小说ID 章节ID 章节内容

特别说明：数据包含**小说和外国小说，外国小说大部分都是译文，由于译者和原作者的身份不同，所以数据分析阶段不包括外国小说。

2.2.2 处理策略 在采集数据阶段，文章内容是一段一段采集的，此时已经过滤掉无意义的空段，这样就不存在缺失值了。为了便于观察，以空格作为段落分隔符，保存到数据库中。因为文章原内容一般不包含空格，即使有，也不影响我们后续的分词分析处理，所以没有关系。

每一条记录有 作者ID、小说ID、章节ID、章节内容 这四个字段，这需要将novel表和chapter表连接。因为数据集太大，无法通过内存一次性完成处理，所以选择通过Java分批完成Join操作（代码见Join.java）。

Join完成之后，得到小说章节无序数据集。此时通过MapReduce，对数据集进行排序（作者ID、小说ID、章节ID依次升序排列），并以作者为单位划分为各个文件（代码见ChapterMultipleOutputsDriver）。

最后通过SplitTrainAndTest.java，将数据集划分为训练集和测试集。

2.3 特征提取 作者的写作风格体现在其文章的语法，词汇，语篇结构，句式以及句法等特点中，我们将这些特点分别用不同特征进行表示。其中包括标点符号，词频，句长，词性等特征，共计29维。 汉语中的词分为实词和虚词，其中虚词包括副词，介词，连词，助词，叹词，拟声词。虚词通常不代表任何具体的含义，只代表一定的语法含义。大量的研究表面，虚词比实词更有规律，更能体现作者的写作风格，故我们在结巴词库中找到词性为以上6种的词，然后按词频进行排序，选择前300个词作为虚词特征，共计300维。 故，共计提取329维特征，以特征的方式来数字化的表示作者的写作风格。 以下为特征说明。（特征以一章节为单位）

段落与句长特征（3） 特征名 特征说明 段落数 段落数 段落平均长度 平均每段落字长 句子平均长度 平均句子长度

标点符号特征（9） 特征名 特征说明 问号占比 问号数/标点符号总数 句号占比 句号数/标点符号总数 逗号占比 逗号数/标点符号总数 感叹号占比 感叹号数/标点符号总数 引号占比 引号数/标点符号总数 冒号占比 冒号数/标点符号总数 省略号占比 省略号数/标点符号总数 分号占比 分号数/标点符号总数 单括号占比 单括号数/标点符号总数

词长特征（8） 特征名 特征说明 1字词占比 词长为一的词数/总词数 2字词占比 词长为二的词数/总词数 3字词占比 词长为三的词数/总词数 … 8字词占比 词长为八的词数/总词数

词性特征（9） 特征名 特征说明 名词占比 词性为名词的词数/总词数 副词占比 词性为副词的词数/总词数 形容词占比 词性为形容词的词数/总词数 介词占比 词性为介词的词数/总词数 连词占比 词性为连词的词数/总词数 助词占比 词性为助词的词数/总词数 叹词占比 词性为叹词的词数/总词数 动词占比 词性为动词的词数/总词数 拟声词占比 词性为拟声词的词数/总词数

虚词特征（300） 特征名 特征说明 ‘在’（介词） ‘在’的词数/词性为介词的总词数 ‘和’（连词） ‘和’的词数/词性为连词的总词数 ‘也’（副词） ‘也’的词数/词性为副词的总词数 ‘等’（助词） ‘等’的词数/词性为助词的总词数 ‘呀’（叹词） ‘呀’的词数/词性为叹词的总词数 ‘叮’（拟声词） ‘叮’的词数/词性为拟声词的总词数 …

3 实验结果与模型评价 由于小说作者识别是给定一个待判定作者的小说内容，通过作品涉及到的争议作者所著的其他作品推测作者写作风格，从而识别出真正的作者。故是以作者风格为特征的分类问题，即将小说内容进行分类，标签即为作者身份。 故采用十种机器学习常用分类算法，将写作风格作为特征，作者身份为标签，进行分类，并统计准确率。 以下为十种分类算法及其准确率，包括决策树（Decision Tree）、K近邻算法（K-Nearest Neighbor）、Logistic回归、随机森林(Random Tress)、梯度提升树(GBDT)、多层感知机（MLP）、支持向量机（SVM）、朴素贝叶斯（Naïve Bayes）、xgboost、Rocchio算法。

作者数 分类算法 准确率 5 K-Nearest Neighbor 0.94 Logistic 0.9860288534548216 Random Forest 0.9148063781321184 GBDT 0.9564160971905846 xgboost 0.9778283978739559 MLP 0.988914198936978 Rocchio 0.9599088838268792 SVM 0.979195140470767 rbf 0.3233105542900532 poly Naive Bayes(GaussianNB) 0.7902809415337889 Naive Bayes(BernoulliNB) 0.9249810174639331 Naive Bayes(MultinomialNB) 0.9804100227790433 Decision Tree 0.6813971146545178

作者数 分类算法 准确率 10 K-Nearest Neighbor 0.9384057971014492 Logistic 0.9841897233201581 Random Forest 0.9181488801054019 GBDT 0.9288537549407114 xgboost 0.9713438735177866 MLP 0.9871541501976284 Rocchio 0.9562747035573123 SVM 0.9681324110671937 Naive Bayes(GaussianNB) 0.8111824769433466 Naive Bayes(BernoulliNB) 0.944828722002635 Naive Bayes(MultinomialNB) 0.9826251646903821 Decision Tree 0.6195652173913043

作者数 分类算法 准确率 20 K-Nearest Neighbor 0.9203102961918195 Logistic 0.9651237338120272 Random Forest 0.8398512629824336 GBDT 0.8495319912809335 xgboost 0.92184895499423 MLP 0.9742915758430568 Rocchio 0.9177458648544685 SVM 0.8692781125785357 Naive Bayes(GaussianNB) 0.7892678548531863 Naive Bayes(BernoulliNB) 0.9159507629183229 Naive Bayes(MultinomialNB) 0.9509552506731632 Decision Tree 0.4733299140915502

作者数 分类算法 准确率 50 K-Nearest Neighbor 0.8454347935930473 Logistic 0.8892931130311758 Random Forest 0.6888989944924461 GBDT 0.7651963013490981 xgboost 0.8633217118892426 MLP 0.9385579303723914 Rocchio 0.8497802031226315 SVM 0.681396650277811 Naive Bayes(GaussianNB) 0.5907230559345157 Naive Bayes(BernoulliNB) 0.8787327573139305 Naive Bayes(MultinomialNB) 0.8705977464504068 Decision Tree 0.43014501541104544

作者数 分类算法 准确率 100 K-Nearest Neighbor Logistic 0.780983627649651 Random Forest 0.5849014120750105 GBDT xgboost MLP 0.8110585737720737 Rocchio 0.7629386599761974 SVM Naive Bayes(GaussianNB) 0.47055228537424815 Naive Bayes(BernoulliNB) 0.8826272958281064 Naive Bayes(MultinomialNB) 0.7565376821383769 Decision Tree 0.31876226317990286

优化： Logistic L2比L1好 SVM rbf远好于poly