本文针对社交媒体上短文本语言特征多变不足以支持作者验证的问题，提出了一种基于 Hierarchical Siamese 神经网络的算法，通过学习神经特征和可视化决策过程可以有效地进行作者验证，并在大规模的亚马逊评论数据集上进行实验，结果表明 Siamese 神经网络模型优于传统的基于语言特征的方法。

Oct, 2019

提出了一种新的神经网络拓扑结构用于类似社交媒体这类挑战性数据集上，有效地提高了作者验证任务的性能。

Aug, 2019

本研究通过对书评的心理、词汇、语义、易读性等特征进行统计分析，使用两种易读性测试探索阅读便利程度与书评受欢迎程度的正向关联，并运用传统机器学习分类器和基于 Transformer 的预训练语言模型，自动判断书评的受欢迎程度。研究结果表明，除了一些特征（例如书评长度、情感和词语独特性）之外，大多数属性在受欢迎和不受欢迎的书评组之间没有显著差异。此外，使用词语 N-gram 特征的机器学习分类器的低性能凸显了在判断创意领域受欢迎程度方面所面临的挑战。总体而言，本研究揭示了影响书评受欢迎程度的因素，并强调了进一步研究的需要，尤其是在创意领域。

Nov, 2023

本文提出了一种使用神经网络方法来模拟人类组合句子过程，将语言特征的不同类别合并到单词的分布式表示中，以同时学习作者文体表示的作者分析方法，提取出每个文档的话题、词汇、句法和字符级别的特征向量，实验结果表明，这种方法在作者特征化和作者验证方面具有优异的性能。

Jun, 2016

通过实证分析大型语言模型（LLMs）的写作特征、对比专有和开源模型的异同、并探索通过语言的词汇、句法和结构方面的风格特征整合实现对 AI 生成文本的追溯，为神经网络作者归属提供经验性洞见，为应对 AI 生成的错误信息的威胁铺平道路。

Aug, 2023

这篇论文介绍了一种基于细胞自动机理论的文本网络特征提取方法，着眼于拓扑和动态方面的衡量，表明此方法在作者识别上优于传统的基于拓扑度量的方案，并强调预处理步骤对识别效果的影响。

Oct, 2016

通过强化学习，我们介绍了一种自动文本隐私保护框架，该框架通过针对大型语言模型进行微调，产生能够在保持准确性、连贯性和隐私性之间达到平衡的重写文本，并在大规模的测试集上进行了全面评估，并成功规避了多种自动化作者识别攻击。

May, 2024

本文针对恶意众包论坛在信息传播中的误导性日益严重的问题，使用一种新的攻击方式 —— 基于深度学习语言模型，自动生成伪造商品和服务的在线评论，比传统人工雇佣方式成本更低、攻击规模更大，且有机制可以逃避检测，通过结合 Yelp 评论网站的实例，研究提出相应的防范措施。

Aug, 2017

本文介绍了一种基于复杂网络的方法来识别文本的作者，通过考虑故事流传来捕捉作者的主导结构。实验证明了该方法在可视化方面有很大潜力并能够揭示作者的个人特征。

May, 2017

使用大型语言模型进行作者身份验证和归属度分析的研究，以及通过详细分析语言特征为决策提供解释，为未来基于大型语言模型的作者身份分析研究建立了新的基准。

Mar, 2024