张敬巍

摘要：作者识别是一个应用广泛的研究领域，可以应用于中外文学作品的作者考证领域，也可以应用于版权保护、恶意邮件识别等信息安全领域【1】。本文主要研究如何通过电子邮件的语言特征来识别作者的问题。在众多邮件当中，根据语言风格的分析，确定作者。“风格”是指由于作者的生活经历、艺术素养等造成的不同的创作特色，而语言风格是作家通过作品表现出来的创作语言特有的格调。我们将要进行的作者识别过程其实是一个文本分类的过程。文本分类是对文本集按照一定的分类体系或标准进行自动分类标记，属于一种基于分类体系的自动分类。已有的文本分类算法有：决策树、神经网络、k近邻、朴素贝叶斯、遗传算法和支持向量机等。文本的分类通过分析电子邮件的语言特征实现，作者的语言特征是长期形成的行文习惯在写作活动中的体现。我们通过统计的方法用某些数量特征表现作者的行文风格，从例如词长、句长、词频，以及修辞、句法等不同角度综合体现。我们运用支持向量机结合语言风格学的方法分析邮件的作者归属问题。

关键词：作者识别支持向量机语言特征

1.问题分析

问题要求基于电子邮件的语言特征来识别作者。每位作者在书写时会体现出不同的行文风格，我们选取一些不同的角度对每位作者的邮件文本进行分析。分析过程包括：文本预处理、词频统计、文本特征的抽取、分类器的训练。……