作家写作风格量化分析模型

吴航天 田凯 段新春

中国人民解放军火箭军工程大学 导弹工程学院 陕西西安 710025

在我们的阅读过程中会遇到不同作家的作品，而不同的作家有着不同的写作风格都有所不同。本文以鲁迅、朱自清、张爱玲、古龙四位作家的若干文章为例，选取适当的特征，量化分析不同作家的写作风格，并能分析附录中的文章出自哪位作家之手。

1 特征提取

流程如下：

首先，使用MATLAB编译特征提取程序，其主要功能为：将中文段落中的所有汉字转换Unicode区位码。生成二维矩阵，每一个汉字对应两位UNICODE区位码，例如“吴”对应“52，84”；其次，查找所需特征如虚词（常用虚词“的、地、得、所、吗、呢、吧、啊、且、了”等）在《Unicode区位码对照表》中对应的编码[1]。

2 计算统计

2.1 长度规格化

2.2 比例规格化

2.3 数据的标准化处理：

对上述数据进行标准化处理，标准化处理的计算公式如下：

3 统计结果图像拟合

以被测样本的统计数据绘制特征曲线，并将其插入总体特征曲线图进行比对，查找与其相似度最高的特征曲线，该曲线所对应的作者即为被测样本文档的作者。

Fi和Fj之间的相关系数定义如下：

相关系数能够描述两个特征项之间的线性相关度。

4 结果分析

试验的结果还与所选取的特征量有关。例如，仅以文章节奏（即标点符号的使用）作为特征量，其结果如下：

r 1.0000 0.2266 0.2266 1.0000 t 1.0000 0.2766 0.2766 1.0000 y 1.0000 -0.7242 -0.7242 1.0000 u 1.0000 0.2127 0.2127 1.0000

结果表明：在标点符号使用习惯的相似度分析中，选取《背影》第一段作为待测文章与四位作家的相似度分别为22.66%，27.66%，-72.42%（呈现负相关），21.27%，即与作家二（鲁迅）的相似度最大，而真实作者（朱自清）的相似度排名第二，试验结果具有一定程度的有效性。因此，本模型在一定程度上能有效识别文章的作者，但其准确性还需经大量试验来验证[2]。

对此，我们随机抽取了朱自清、鲁迅、张爱玲、古龙四位作家各50篇作品（节选）（总计27.6万宇字），共计200次试验来进行验证。试验表明，该模型对于朱自清、鲁迅、张爱玲、古龙四位作家作品的作者识别成功率分别为61.32%、69.43%、71.89%、73.97%。显然，作者识别率会随试验次数与被检验内容的增加而进一步提高。