《Applied Sciences》：Research on Lightweight Stylistic Features for Author Verification
编辑推荐：
作者验证（Author Verification, AV）是自然语言处理中的一项基础任务，在数字取证、版权争议解决与社交媒体账号关联等场景具有潜在应用价值。现有深度预训练模型虽能达到较高准确率，但伴随巨大计算开销、高推理延迟与可解释性不足，难以在资源受限环境中
作者验证（Author Verification, AV）是自然语言处理中的一项基础任务，在数字取证、版权争议解决与社交媒体账号关联等场景具有潜在应用价值。现有深度预训练模型虽能达到较高准确率，但伴随巨大计算开销、高推理延迟与可解释性不足，难以在资源受限环境中部署。为弥补该缺口，研究人员提出一种轻量级且可解释的作者验证方法，仅依赖手工设计的文体特征与经典机器学习分类器，无需GPU加速。具体而言，对每篇文本提取三组互补特征：37维标点特征、22维文本风格特征与800维字符级TF-IDF向量。对每对文本，分别对各特征组计算绝对差与逐元素积，并将所有结果向量拼接为最终分类表示。在严格作者级划分的公开评论数据集上，该方法取得具竞争力的验证性能，同时显著提升了训练与推理效率。值得注意的是，本研究评估的轻量级神经架构虽带来边际准确率提升，却产生明显更长的推理与训练耗时，印证了所提方法在效率—性能上的权衡优势。消融实验确认各组特征的贡献，其中文本统计特征影响最强。该方法为资源有限场景下的作者验证提供了高效、透明、易部署的方案，并为传统文体特征与轻量级模型的融合提供了实证依据。
研究背景方面，作者验证旨在判断两段文本是否出自同一作者，其依赖的是相对稳定的长期写作习惯，如选词、句法、标点与字符级模式，而非话题内容。早期研究可追溯至Mosteller与Wallace对?《联邦党人文集》的归因分析，此后功能词频、句长分布、字符n元文法（character n-grams）等被广泛探索。近年CNN、RNN与预训练语言模型虽自动习得隐式风格表示并取得高基准性能，但计算成本大、延迟高、黑盒性强，在中小规模数据与无GPU场景中优势受限。相比之下，基于手工文体特征的传统机器学习具备可解释性好、CPU可部署、训练快等优势，PAN评测系列也持续验证其有效性。因此，探索无需深度模型、面向资源受限环境的轻量级作者验证框架具有现实必要性。论文发表于《Applied Sciences》。
关键技术方法上，研究人员采用Amazon Automotive评论数据（Amazon Review Data 2018），经小写化、去非ASCII符、空白规范化、长度过滤（≥20字符）及作者筛选（≥6条评论）后，按作者级固定随机种子（seed=42）划分为1223名训练作者与525名测试作者，杜绝跨集作者泄露。每作者评论随机均分两半并拼接为两个文本块，各自提取37维标点特征、22维文本风格特征与800维字符级TF-IDF（3–4元字串，max_features=800，df∈[2,0.95]）；对文本对计算各组的绝对差与逐元素积并拼接为1718维向量，同作者对标1、异作者对标0且类别平衡。分类端采用StandardScaler标准化后经Pipeline送入Linear SVC（C=5.0，类权重平衡，CalibratedClassifierCV+Platt缩放校准概率），并与Logistic Regression、Random Forest及轻量神经网络FeatureMLP/SiameseMLP在同级CPU环境下对比。
研究结果部分，按原文小节归纳如下。3.1问题定义与总体框架：将AV定为文本对二分类，经“分块—提特征—差分积拼接—线性SVM概率校准”完成判定。3.2特征提取：标点37维捕捉断句与强调习惯，文本风格22维覆盖句构/词汇丰富度等宏观习惯，字符级TF-IDF 800维作为第三独立组，向量器仅拟合计训练集。3.3文本对构建：同作者半分拼接得正样本，异作者各取半块得负样本，每作者对含差与积共1718维。3.4数据集描述：处理后1748名作者、14573条评论，训练2446对、测试1050对，正负平衡，平均约482字符。3.5数据划分：作者级70/30划分，seed=42可复现。3.6分类与优化：Linear SVC以加权合页损失+L2正则为基，StandardScaler消除量纲影响，3折CV Platt校准输出概率。4.1分类器：LR（lbfgs，C=1.0）、RF（200树，max_depth=15）、Linear SVC（C=5.0）及MLP对照。4.3固定集性能：Linear SVC准确率83.71%、F1 0.8382、AUC 0.9196居首，LR次之，RF召回最高但精度略低。4.4五折作者分组交叉验证：RF均值准确率82.50%、AUC 0.9095略优于Linear SVC的81.64%/0.8986，差距<1pp。4.5消融实验：去文本风格特征掉至80.76%（AUC 0.891）降幅最大，去标点至82.10%（AUC 0.903），去TF-IDF至83.24%（AUC 0.911），证文本统计贡献最强。4.6效率比较：Linear SVC推理0.016 ms/对，LR 0.010 ms，RF 0.080 ms，SiameseMLP 0.054 ms（准确率84.48%但慢3.4倍），FeatureMLP 0.053 ms；万对批处理Linear SVC约160 ms vs SiameseMLP 540 ms。
讨论部分指出，文本统计与标点特征因直捕个体稳定用词/句断节奏而最具判别力，TF-IDF仅补字符局部模式且信息重叠；Linear SVC在固定测试集最优且推理训练远快于RF与MLP，故推其为核心部署选型，极端受限时可仅用22维文本统计保超80%准确率。局限含单域短评、高阶统计量在短拼接文本方差大、手工特征跨域未必最优、单数据集泛化待验及对手工特征对抗扰动脆弱。未来方向为跨域长文验证、自动特征选择、统计特征与蒸馏型轻量嵌入（DistilBERT、TinyBERT、Sentence-BERT）混合。
结论部分翻译浓缩：本文提出一种面向资源受限环境的轻量级作者验证方法，每文本提取37维标点、22维文本风格与800维字符级TF-IDF，对文本对计算各组绝对差与逐元素积并拼为1718维表示。消融证实文本统计与标点为主贡献，TF-IDF为辅。固定测试集上Linear SVC准确率83.71%、AUC 0.920领先；五折交叉验证中RF略稳但差<1pp。兼顾效率，Linear SVC推理0.016 ms、训练数秒，较RF快5倍、较SiameseMLP快3.4倍且训练耗时数百倍优，故推荐Linear SVC配22+37维特征作部署方案，无GPU下达约83.7%准确率与0.920 AUC；极受限时仅22维文本统计仍超80%。该研究为资源受限场景提供高效透明可解释方案，并为传统文体特征与现代机器学习融合提供实证。
