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

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

本文介绍了一种基于注意力机制的神经网络结构，利用社交网络中的同质性，将分类函数平滑化，从而实现个性化的情感分析模型，提高在 Twitter 和评论数据上的情感分析准确性。

Nov, 2015

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

在社区评论领域，我们发现同一人编写的评论集合基于简单的文体特征就能链接起来从而导致明显的隐私泄露问题，而本文则提出了结合大众智慧和机器翻译的方法，使得评论样式不同从而达到了减少作者链接度的目的。

May, 2014

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

本研究提出了 PromptAV，这是一种基于大型语言模型（LLMs）和逐步文体解释提示的新技术，用于作者验证（AV）任务，通过提供逐步解释提示的方式来解决现有 AV 技术在数据需求和可解释性方面的限制。PromptAV 在有限的训练数据下表现优于现有技术，并且通过直观的解释提高了可解释性，展示了其作为一种有效可解释的 AV 任务解决方案的潜力。

Oct, 2023

自动答案验证可以通过为学习者提供适当的反馈并提供更广泛的问题回答系统和在线学习解决方案来改善学习成果。我们实现了一种共享神经网络模型，并提供了一个通用的解决方案，比较了我们的监督模型和其他基于文本相似度的解决方案。

Jan, 2024

本文提出了一种样式感知神经模型，以从三个样式水平对文档信息进行编码，并在作者归属领域进行评估，实验结果表明，相对于文献中的基线方法，从所有三个样式水平编码文档信息具有显著的优势，实验数据来源于四个基准数据集。

Sep, 2019