文件名称：基于自然语言处理的作者识别-研究论文
文件大小：908KB
文件格式：PDF
更新时间：2024-06-09 08:20:51
Author NLP Identification Data Analytics
文字内容的数量呈指数增长，特别是通过文章的发布； 匿名文本数据的增加使问题变得更加复杂。 研究人员正在寻找其他方法来预测未知文本的作者，这称为作者标识。 在这项研究中，该研究是通过单词袋（BOW）和潜在语义分析（LSA）功能进行的。 Kaggle上的“所有新闻”数据集用于实验，并比较BOW和LSA在作者识别任务中的最佳性能。 支持向量机，随机森林，来自变压器的双向编码器表示（BERT）和逻辑回归分类算法用于作者预测。 对于拥有20位作者的第一个范围，对于每位作者100篇文章，使用词袋进行逻辑回归可以看到最大的准确性，其次是随机森林，也可以使用词袋进行逻辑回归。 在所有算法中，词袋得分均优于LSA。 最终，在本研究中应用了BERT模型，并获得了70.33％的准确度。 对于将每个作者的文章数增加到500并减少10的作者数的第二作用域，BOW使用Logistic回归算法达到93.86％可获得更好的性能结果。 此外，将功能合并在一起时，LR的最佳精度性能为94.9％，这证明它比应用的BOW和LSA个体更好，与仅BOW相比提高了近0.1％。 最终，BRET取得了86.56％的准确度性能和0.51 log los的结果。