研究使用分类方法，展示不同类别的文学 “质量” 显示出独特的语言特征，在分析了包括诺顿选集、企鹅经典系列、开放教材项目等作品的语料库的基础上，对比了当代畅销书、诺贝尔奖得主以及获奖文学作品。我们的分析表明，经典文学作品和高雅作品相对于其他质量类别如畅销书和流行作品以及对照组展现出不同的文本特征，可能是为了回应不同的质量模式。我们采用经典的机器学习方法，即随机森林，来区分质量小说和 “对照组”，在区分这些类别时的 F1 得分达到 77%。我们发现，质量类别相对于对照组更容易区分，而与其他质量类别相比较难区分，这表明文学质量特征可能是可辨识的，但通过质量代理人共享。

Apr, 2024

该研究描述了一种利用信息提取和机器学习算法进行文本分类的基于内容的书籍推荐系统，初步实验结果表明该方法可以产生准确的推荐。

Feb, 1999

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

本文利用循环神经网络模拟书籍中情感的变化，并量化其预测书籍成功的有效性。在同时预测书籍成功和类型的多任务设置中，取得了 69% 的最佳加权 F1 得分。

May, 2018

本文报告了一项旨在评估文本特征对荷兰语小说文学评分影响的试验结果，表明问卷评分与 Riddle 的调查评分之间存在中度到强度的相关性，但机器学习的预测结果更接近调查评分。

Nov, 2020

使用深度卷积神经网络（CNN）预测书籍的流派，证明 CNN 可以提取特征并学习设计规则，发现书籍和它的封面之间的关系，同时介绍一个可用于模式识别任务的新的、具有挑战性的数据集。

Oct, 2016

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

利用数字档案进行机器学习的新方法，通过光学字符阅读器（OCR）、物体检测器和布局分析器构建数据集，展示其在图像 - 文本检索和洞察力提取方面的有效性。

Oct, 2023

本文研究了使用视觉 - 语言模型自动从网络中获取图片来增强教科书的有效性，将该任务作为一种新的优化问题。经过众包评估验证了该方法的可行性，并发布了相应的数据集以促进更多的研究。

Apr, 2023

本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

Oct, 2012