[发明专利]一种中文文本作者识别方法

权利要求书

1.一种中文文本作者识别方法，其特征在于，包括学习方法和分类方法，

学习方法包括以下步骤：

步骤一、获取作者已知的中文文本集合，对每一个中文文本进行分词，得到分词词组集合；

步骤二、对分词词组集合中的每一个分词词组，依次执行：统计分词词组中每一个分词出现的次数和频率，构建动态过滤词库，将动态过滤词库中的每一个分词，都从分词词组中删除；

步骤三、使用词袋模型BOW将每一个分词词组处理成机器可以识别的结构化的机器语言，并计算每一个中文文本中的每一个分词的词频、文件频率、逆向文件频率、词频-逆向文件频率；

步骤四、构建每一个中文文本的特征向量，基于特征向量分别构建机器学习分类模型；

分类方法包括以下步骤：

步骤一、输入作者待识别的中文文本，进行中文分词，得到分词词组；

步骤二、统计分词词组中每一个分词出现的次数和频率，构建动态过滤词库，将动态过滤词库中的每一个分词，都从分词词组中删除；

步骤三、使用词袋模型BOW将分词词组处理成机器可以识别的结构化的机器语言，并计算每一个分词的词频、文件频率、逆向文件频率和词频-逆向文件频率；

步骤四、构建作者待识别中文文本的特征向量，应用学习方法步骤四得到的机器学习分类模型对作者待识别中文文本进行分类得到分类结果。

2.根据权利要求1所述的一种中文文本作者识别方法，其特征在于，所述构建动态过滤词库，包括停用词和出现次数低于某一阈值的分词，阈值小于分词词组中含有分词的数量。

3.根据权利要求1所述的一种中文文本作者识别方法，其特征在于，所述构建动态过滤词库，包括停用词和出现次数高于某一阈值的分词，阈值小于分词词组中含有分词的数量。

4.根据权利要求1所述的一种中文文本作者识别方法，其特征在于，所述构建动态过滤词库，包括停用词和出现频率低于k的分词，0k1。

5.根据权利要求1所述的一种中文文本作者识别方法，其特征在于，所述构建动态过滤词库，包括停用词和出现频率高于k的分词，0k1。