李逍 顧長貴 楊雷鑫 陸祺靈

摘?要：基于滑動窗口的方法，結(jié)合機(jī)器學(xué)習(xí)分類技術(shù)，可以判定文本的作者歸屬。但是此類方法需要精心挑選對應(yīng)的文本特征，不同的文本特征選取可能會影響判定結(jié)果。針對以上問題，提出了一種基于快速文本分類（fastText）的文本作者歸屬判定模型。該模型融合滑動窗口的思想，引入詞（字）向量、數(shù)據(jù)增強(qiáng)技術(shù)，從而充分利用文本信息、自動提取文本特征，并且以可視化的方式將結(jié)果呈現(xiàn)出來。使用該模型來檢測《紅樓夢》、《Roman de la Rose》的作者歸屬，實(shí)驗(yàn)結(jié)果表明《紅樓夢》的前八十回與后四十回為不同作者所著、《Roman de la Rose》開篇4 058行（約50 000字）與后面17 724行（約218 000字）為不同作者所著。證明了Rolling-fastText模型判定文本作者歸屬的有效性。

關(guān)鍵詞： 滑動窗口;作者歸屬;快速文本分類器;數(shù)據(jù)增強(qiáng)技術(shù);可視化

文章編號： 2095-2163（2021）01-0014-06 中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A

【Abstract】Some methods are based on sliding window and machine learning， which can determine the authorship attribution of text. However， these methods require careful selection of text features， and different text features may affect the outcome of the authorship attribution. In response to the above problems， this paper proposes a model based on fastText classification to determine authorship attribution. The model incorporates the idea of the sliding window， introduces word （character） vectors and data enhancement technology， so as to make full use of text information and extract text features automatically， and presents the results in a manner of visualization. Finally， this paper uses the model to detect the authorship attribution of 《A Dream of Red Mansions》 and 《Roman de la Rose》. The experimental results show that the first 80 chapters and the last 40 chapters of 《A Dream of Red Mansions》 are written by different authors， the opening 4 058 lines （approximately 50 000 words） and the following 17 724 lines （approximately 218 000 words） of 《Roman de la Rose》 are written by different authors. It is proved that this model is effective to determine the authorship attribution.

【Key words】sliding window; authorship attribution; fast text classifier; data enhancement technology; visualization

0 引?言

在文體學(xué)中，文本作者歸屬判定是指從有爭議的文本中提取作者風(fēng)格信息，然后在一組“候選者”中確定最佳匹配的過程;題材識別則是找到一組在風(fēng)格上相似的作品。在研究這些問題時(shí)，許多經(jīng)典方法的目標(biāo)都是計(jì)算語料庫中文本之間的相似度，以便發(fā)現(xiàn)隱藏的模式或規(guī)律[1]。

早在20世紀(jì)上半葉就有學(xué)者開始使用統(tǒng)計(jì)學(xué)方法對文本進(jìn)行作者歸屬研究[2]，在研究《聯(lián)邦黨人文集》中12篇存在作者爭議的文章時(shí)，Mosteller等人[3]提出了一種以貝葉斯公式為核心的分類算法，基于文本中的文體特征，如句子長度、詞長或高頻虛詞的分布，推斷出12篇文章的作者。

機(jī)器學(xué)習(xí)建立在統(tǒng)計(jì)學(xué)的基礎(chǔ)之上，近年來該領(lǐng)域發(fā)展迅猛，因而眾多機(jī)器學(xué)習(xí)的方法也被用到了文本作者歸屬這一任務(wù)[4]。施建軍[5]運(yùn)用支持向量機(jī)技術(shù)（SVM）抽取《紅樓夢》文本的虛字作為特征，認(rèn)為該書的前八十回與后四十回分別為不同人所著。但是，現(xiàn)今《紅樓夢》流傳多種版本，每個(gè)版本的虛字字?jǐn)?shù)也不盡相同，可能會影響實(shí)驗(yàn)結(jié)果。Burrows[6]提出Delta分類技術(shù)，用于分析文本內(nèi)部差異，判定文本作者。Maciej[7]基于文本的大小分析Delta技術(shù)的可操作性，Rybicki等人[8] 將單詞頻率作為特征來分析Delta技術(shù)的有效性。Juola等人[9]創(chuàng)建任務(wù)型軟件JGAAP3.0，來分析文本作者歸屬問題。以上所采用的模型雖然可以快速、準(zhǔn)確地判斷文本的作者歸屬，但是需要精心挑選文本的特征，只有通過大量的實(shí)驗(yàn)與參數(shù)調(diào)整，才能找到符合某文本的對應(yīng)特征，進(jìn)而得到相對準(zhǔn)確的結(jié)果。

作為機(jī)器學(xué)習(xí)的子領(lǐng)域，深度學(xué)習(xí)也逐漸被越來越多的學(xué)者用來進(jìn)行作者歸屬判定。Bagnall[10]使用多頭遞歸神經(jīng)網(wǎng)絡(luò)（RNN）語言模型在PAN2015作者身份識別任務(wù)中估計(jì)每個(gè)作者的字符級概率，其結(jié)果優(yōu)于其他模型。但是RNN模型面臨著梯度消失與梯度爆炸問題。Julian等人[11]運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)在一個(gè)科學(xué)出版物數(shù)據(jù)集上執(zhí)行作者身份識別，能夠預(yù)測同一學(xué)科的科學(xué)出版物的作者。Dainis 等人[12]探討了卷積神經(jīng)網(wǎng)絡(luò)（CNNs）在多標(biāo)簽作者歸屬（AA）問題中的應(yīng)用，并介紹了一種專門針對此類任務(wù)而設(shè)計(jì)的CNN模型。但是CNN模型無法提取文本序列的時(shí)序信息。深度學(xué)習(xí)技術(shù)在提取文本特征時(shí)更依賴于隱藏層，可由模型自動提取特征。但是深度學(xué)習(xí)對樣本的數(shù)量要求較大。當(dāng)樣本數(shù)量較少時(shí)，很難訓(xùn)練出有效的模型。而且無論是遞歸神經(jīng)網(wǎng)絡(luò)、還是卷積神經(jīng)網(wǎng)絡(luò)，當(dāng)樣本長度較長、維數(shù)較大時(shí)，結(jié)果顯示判定速度都較慢。上面所討論的模型都是以相應(yīng)的數(shù)據(jù)指標(biāo)展示實(shí)驗(yàn)結(jié)果，然而將結(jié)果以圖的形式可視化，可以展示文本的風(fēng)格變化，具有很強(qiáng)的解釋性。

如果將文本分割成樣本，這些樣本就可被視作基本的文學(xué)作品，因此語篇的局部部分也可能顯示出某些文體特征的線性發(fā)展?；谶@一點(diǎn)，帶有滑動窗口序列分析方法逐漸應(yīng)用到文本作者歸屬分析上。孫龍龍等人[13]把《紅樓夢》文本轉(zhuǎn)化為時(shí)間序列數(shù)據(jù)，運(yùn)用滑動窗口的方法計(jì)算序列數(shù)據(jù)的赫斯特指數(shù)，從而得到《紅樓夢》不同部分的作者歸屬。van等人[14]在研究中世紀(jì)荷蘭亞瑟王史詩《Roman van Walewein》時(shí)也成功應(yīng)用了滑動窗口的概念，該研究是通過滑動窗口從《Roman van Walewein》中生成一系列子樣本，以測試這些子樣本是否在整個(gè)文本中的風(fēng)格一致。

通過時(shí)間線很容易來表示文本內(nèi)部的風(fēng)格發(fā)展并且可視化。Maciej等人 [15-16]基于此點(diǎn)，提出了Rolling Attribution模型，該模型可用于解決某些爭議作品的作者歸屬性問題。Rolling Attribution模型將機(jī)器學(xué)習(xí)分類模型與序列分析思想相結(jié)合，通過對文本的線性切塊，來查看文本內(nèi)部的風(fēng)格是否一致。該模型的目標(biāo)不是對給定的整個(gè)文本進(jìn)行作者歸屬判定，而是對每個(gè)通過滑動窗口產(chǎn)生的樣本進(jìn)行獨(dú)立的歸屬判定，再將結(jié)果作為一系列有序的風(fēng)格信號進(jìn)行可視化比較。

但是，Rolling Attribution模型需要精心提取文本的某些特征，如提取文本最頻繁使用的字的頻率、虛詞出現(xiàn)的次數(shù)等等作為文本特征，繼而采用機(jī)器學(xué)習(xí)算法（如支持向量機(jī)等）對每個(gè)片段進(jìn)行作者歸屬判定。在提取文本特征時(shí)工作繁瑣，不同的語言可能需要對應(yīng)不同的特征提取，如果提取的某些特征不適合該文本或者統(tǒng)計(jì)錯誤，就可能得到錯誤的結(jié)果。基于以上問題，本文對Rolling Attribution模型進(jìn)行修改，提出了Rolling-fastText模型，該模型具有以下特點(diǎn)：

（1） 無需精心挑選文本特征，避免特征選取問題對測試結(jié)果造成影響。

（2）引入詞向量，發(fā)揮詞向量的優(yōu)勢，充分提取文本信息。

（3）可以解決小樣本以及樣本數(shù)據(jù)不平衡問題。

1 Rolling-fastText模型

本節(jié)將分別對Rolling-fastText模型所涉及的相關(guān)技術(shù)進(jìn)行介紹，對此擬做闡釋分述如下。

1.1 滑動窗口

滑動窗口示意如圖1所示。由圖1可知，Rolling-fastText模型所運(yùn)用滑動窗口方法是指：以S個(gè)字（單詞）為一窗口對文章進(jìn)行切塊，生成樣本，允許樣本之間可以重疊（重疊字（單詞）數(shù)為d），使文本中的某些字（單詞）可以重復(fù)使用，以提高信息提取的完整性。

1.2 fastText模型

Rolling-fastText模型需要對樣本進(jìn)行類別判定，因此該模型基于fastText模型，對樣本進(jìn)行快速分類。fastText模型是由Armano等人[17]提出的一種快速文本分類方法，該算法結(jié)構(gòu)類似于Mikolov等人[18]的連續(xù)詞袋模型（CBOW模型）。fastText模型把連續(xù)詞袋模型中的中間單詞由標(biāo)簽替換，在此基礎(chǔ)上使用激活函數(shù)f?來計(jì)算樣本類別的概率分布。對于N個(gè)樣本的集合，其損失函數(shù)為：

同時(shí)，fastText通過n-gram模型 [19]提取樣本的時(shí)序信息，豐富樣本語義。本文中，是將原始樣本與提取時(shí)序信息之后的樣本拼接，并加以向量化，既能利用樣本的時(shí)序信息，又能保留樣本的原始信息。其損失函數(shù)為：

1.3 EDA技術(shù)

由于文本年代久遠(yuǎn)、文本作者無其他作品等原因，可能會很難找到某些作者其他的大量的相關(guān)作品作為訓(xùn)練語料庫，因此當(dāng)研究中只有少量樣本時(shí)，或者樣本類型不平衡時(shí)，就很難得到較為理想的結(jié)果。為了解決上述問題，本文用到了一種數(shù)據(jù)增強(qiáng)技術(shù)：EDA[20]（Easy Data Augmentation ）。在隨后的內(nèi)容中，將會分析討論EDA技術(shù)的主要細(xì)節(jié)。對于訓(xùn)練語料庫中給定的句子，隨機(jī)進(jìn)行如下的4類操作之一：

（1）同義詞替換（Synonyms Replace，SR）：不考慮停用詞，在句子中隨機(jī)抽取n個(gè)詞，再隨機(jī)抽取該詞同義詞將其替換。

（2）隨機(jī)插入（Randomly Insert，RI）：不考慮停用詞，隨機(jī)抽選一個(gè)詞，再隨機(jī)抽取該詞同義詞，隨機(jī)插入原句子中。

（3）隨機(jī)交換（Randomly Swap，RS）：隨機(jī)交換句子中的2個(gè)詞。

（4）隨機(jī)刪除（Randomly Delete，RD）：以概率 （可自行設(shè)定）隨機(jī)刪除句子中的每個(gè)詞。

通過多次使用EDA技術(shù)，可以擴(kuò)大樣本數(shù)量，均衡樣本類別。以上4種操作無操作先后順序。

1.4 可視化

Rolling-fastText模型檢測的文本結(jié)果是通過可視化來展現(xiàn)的?？梢暬哪康氖欠奖闳藗冇^察文本不同片段的作者歸屬，同時(shí)也展示了該片段的作者歸屬的概率，在視覺上強(qiáng)調(diào)該片段最有可能為哪位作者所著（下部條紋），并把不太可能的作者保留在陰影區(qū)用作參考（上部條紋）。例如，假設(shè)樣本x可能屬于作者“1”或者作者“0”，當(dāng)：

2 Rolling-fastText模型的訓(xùn)練與檢測流程

2.1 模型訓(xùn)練流程

在訓(xùn)練Rolling-fastText模型時(shí)，首先使用滑動窗口把訓(xùn)練語料庫分成N個(gè)子樣本，通過EDA技術(shù)擴(kuò)大樣本數(shù)量、均衡樣本類別，提取擴(kuò)大后樣本的時(shí)序信息形成新的樣本，然后將2種樣本拼接并且向量化，經(jīng)過隱藏層之后計(jì)算損失函數(shù)，從而更新模型參數(shù)。模型訓(xùn)練流程見圖2。Rolling-fastText模型的損失函數(shù)為：

2.2 模型檢測流程

模型檢測流程如圖3所示。由圖3可見，當(dāng)使用訓(xùn)練好的Rolling-fastText模型檢測文本時(shí)，首先使用滑動窗口把待檢測文本分成若干個(gè)子樣本，這些樣本無需經(jīng)過EDA技術(shù)進(jìn)行數(shù)據(jù)增強(qiáng)，直接提取樣本的時(shí)序信息生成新的樣本，然后將其與原始樣本拼接之后詞（字）向量化，經(jīng)過隱藏層，最終輸出結(jié)果。該模型的輸出結(jié)果為：

3 Rolling-fastText模型應(yīng)用

本節(jié)將進(jìn)行Rolling-fastText模型在《紅樓夢》、《Roman de la Rose》兩個(gè)案例上的應(yīng)用研究。作為對比，本文同時(shí)用Rolling Attribution模型（SVM作為分類器）分析這些案例。具體研究內(nèi)容詳述如下。

3.1 《紅樓夢》的檢測研究

《紅樓夢》是中國古代章回體小說，中國古典四大名著之一，關(guān)于其作者一直存在爭議。有不少學(xué)者通過各種方法證明《紅樓夢》的前八十回與后四十回為不同人所著[5，21]。這些研究都為本文通過Rolling-fastText模型檢測《紅樓夢》提供了較好的范例。

本節(jié)使用的《紅樓夢》的版本為程乙本，為了使模型能夠快速、準(zhǔn)確地判斷樣本的類別，同時(shí)也能充分利用樣本的文本信息，經(jīng)過測試，本節(jié)設(shè)定S=5000，d=500。因?yàn)楹茈y找到《紅樓夢》的作者的其他相關(guān)作品，所以本文與文獻(xiàn)[5]相同，假設(shè)《紅樓夢》的第一回到第十回（黑色）和第一百一十一回到第一百二十回（灰色）為不同作者所寫，將其作為訓(xùn)練集來訓(xùn)練Rolling-fastText模型。而后用Rolling-fastText模型在整本《紅樓夢》上進(jìn)行測試，得到整本書的內(nèi)部片段的作者歸屬。為了方便觀察《紅樓夢》的作者歸屬，本文在《紅樓夢》的每二十回都會插入一條分界線。分界線之間的內(nèi)容見表1。實(shí)驗(yàn)結(jié)果如圖4所示。本文運(yùn)用同樣的方法訓(xùn)練Rolling Attribution模型（提取樣本中的44個(gè)虛詞出現(xiàn)頻率作為樣本特征，如“之”等等[5]）將其對《紅樓夢》進(jìn)行測試，所得結(jié)果如圖5所示。

由圖4、圖5可見，2種模型的結(jié)果大致相同，分界線d之前大部分為黑色，分界線d之后大部分為灰色，風(fēng)格發(fā)生了改變，分界線d位于《紅樓夢》第八十回與第八十一回之間。因此，利用這兩個(gè)模型可以判斷《紅樓夢》的前八十回與后四十回分別為不同作者所著。另外，結(jié)果顯示有噪聲的出現(xiàn)，前八十回中某幾個(gè)片段被判斷為灰色、后四十回少許片段被判斷為黑色。這可能是因?yàn)楸疚乃脕頊y試的《紅樓夢》版本為后世傳抄本，可能傳抄者在某些內(nèi)容上做了少許的修改導(dǎo)致有噪聲的出現(xiàn)。

3.2 《Roman de la Rose》的檢測研究

《Roman de la Rose》 是13世紀(jì)法國詩歌，學(xué)者普遍認(rèn)為這本書的第一部分是由Guillaume de Lorris在1230年左右完成的，而第二部分是Jean de Meun在1275年左右完成的。并且該書中2部分的轉(zhuǎn)折點(diǎn)很清楚，Guillaume de Lorris是該書開篇4 058行（約50 000字）的作者，Jean de Meun是后面17 724行（約218 000字）的作者[18]。本節(jié)選用《Roman de la Rose》的文本為Marteau的版本，可在古騰堡計(jì)劃網(wǎng)站上公開獲取（Marteau， 1878）。

Maciej Eder已經(jīng)運(yùn)用Rolling Attribution模型對《Roman de la Rose》做了測試。過程中選取該書開頭10 000個(gè)單詞（大約1000行）、該書中間10 000個(gè)單詞（第113 000至123 000之間的單詞）用作語料庫訓(xùn)練模型，然后測試《Roman de la Rose》（實(shí)驗(yàn)參數(shù)：S=5000，d=500），提取文本中前100個(gè)出現(xiàn)頻率最高的單詞的頻數(shù)作為特征，可參閱文獻(xiàn)[15]），得到結(jié)果如圖6所示。本文同樣使用上述語料庫與實(shí)驗(yàn)參數(shù)訓(xùn)練Rolling-fastText模型，然后測試《Roman de la Rose》（實(shí)驗(yàn)參數(shù)： S=5000，d=500），所得結(jié)果如圖7所示。圖6、圖7顯示的分界線之間的內(nèi)容見表2。

由圖6、圖7可以看出，2種模型都以b為分界線，較為準(zhǔn)確地判斷出了不同作者所寫的部分。但是分界線b之前的內(nèi)容仍有少許部分被判斷為Jean de Meun所著、文章結(jié)尾也有少許內(nèi)容被判斷為Guillaume de Lorris所著。這種情況可能由以下原因造成：

（1） Jean de Meun可能對Guillaume de Lorris所寫內(nèi)容作了某些修改。

（2）Jean de Meun的寫作風(fēng)格可能受到了Guillaume de Lorris的影響。

（3） 由于成書年代距今較遠(yuǎn)，后人在整理出版時(shí)也可能會對內(nèi)容有所修改。

總之，2種模型都可以得到較為準(zhǔn)確的結(jié)果，并且能夠清晰地展示出《Roman de la Rose》兩部分的轉(zhuǎn)折點(diǎn)。

4 結(jié)束語

本文基于fastText方法，融合滑動窗口的思想，結(jié)合詞（字）向量與數(shù)據(jù)增強(qiáng)技術(shù)，提出一種名為Rolling-fastText模型。該模型通過隱藏層提取樣本特征，利用文本信息，同時(shí)擴(kuò)大樣本數(shù)量、平衡樣本類別，能夠快速、準(zhǔn)確地對樣本進(jìn)行分類。運(yùn)用Rolling-fastText模型在《紅樓夢》與《Roman de la Rose》案例上做了實(shí)驗(yàn)，得出的結(jié)果與滾動歸屬法的結(jié)果大致相同，證明了Rolling-fastText模型的實(shí)用性與準(zhǔn)確性。

《紅樓夢》的前八十回與后四十回都在講述同一個(gè)故事，具有相同的時(shí)代背景，后四十回更是繼承了前八十回的故事情節(jié)，其中出場的人物大致相同，并且故事的場景大都是在“寧國府”、“榮國府”。因此，本文發(fā)現(xiàn)的《紅樓夢》前八十回和后四十回的不同，可能是由于不同作者的寫作風(fēng)格導(dǎo)致的，而不是故事情節(jié)導(dǎo)致的。

在《Roman de la Rose》第一部分中，Guillaume de Lorris敘述了“情人”追求心愛的女人，并從愛神那里學(xué)到了求愛的藝術(shù)，而且遇到了一系列寓言人物。每一種寓言人物都是其愛慕的對象的表現(xiàn)。此后就一起為浪漫愛情的心理學(xué)提供了迷人的評論。在Jean de Meun續(xù)寫的《Roman de la Rose》第二部分中，寓言人物，如“自然”、“天才”和“理性”，討論了愛情的哲學(xué)，“情人”則達(dá)到了其目的，全書情節(jié)趨于完善。因此，本文發(fā)現(xiàn)的《Roman de la Rose》兩部分的不同，可能是由于Guillaume de Lorris與Jean de Meun不同的寫作風(fēng)格導(dǎo)致的，而不是故事情節(jié)導(dǎo)致的。

本文的不足之處是Rolling-fastText模型依然依賴監(jiān)督學(xué)習(xí)方法，要求有相應(yīng)的訓(xùn)練集。未來可以將研究重點(diǎn)放在無監(jiān)督學(xué)習(xí)上，進(jìn)一步優(yōu)化模型，提高模型精度。

參考文獻(xiàn)

[1]王春柳， 楊永輝， 鄧霏，等. 文本相似度計(jì)算方法研究綜述[J]. 情報(bào)科學(xué)， 2019， 37（3）：158-168.

[2]YULE G U. On sentence-length as a statistical characteristic of style in prose： With application to two cases of disputed authorship[J]. Biometrika，1938， 30（3-4）：363-390.

[3]MOSTELLER F， WALLACE D L. Inference and disputed authorship： The federalist[J]. Revue de| Institut International de Statistique，1966，34（2）：277-279.

[4]EFSTATHIOS S. A survey of modern authorship attribution methods[J]. Journal of the American Society for Information Science and Technology， 2009，60（3）：538-556.

[5]施建軍. 基于支持向量機(jī)技術(shù)的《紅樓夢》作者研究[J]. 紅樓夢學(xué)刊，2011 （5）：35-52.

[6]BURROWS J F. “Delta”： A measure of stylistic difference and a guide to likely authorship[J]. Literary and Linguistic Computing， 2002， 17（3）： 267-287.

[7]MACIEJ E. Does size matter？ Authorship attribution， small samples， big problem[J]. Digital Scholarship in the Humanities， 2015， 30（2）： 167-182.

[8]RYBICKI J， EDER M. Deeper Delta across genres and languages：Do we really need the most frequent words？[J]. Literary and Linguistic Computing， 2011， 26（3）： 315-321.

[9]JUOLA P， NOECKER J， RYAN M， et al. JGAAP3-Authorship attribution for the rest of us [C]//Proceedings of Digital Humanities 2008： Book of Abstracts. Oulu： University of Oulu， 2008： 250-251.

[10]BAGNALL D. Author identification using multi-headed recurrent neural networks[J]. arXiv preprint arXiv：1506.04891， 2015.

[11]JULIAN H， BERG E V D， REHBEIN I. Authorship attribution with Convolutional Neural Networks and POS-Eliding[C]//Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics. East Stroudsburg：ACL，2017： 669-674.

[12]DAINIS B， ZHANG Yifan， MUKHERJEE A. Experiments with Convolutional Neural Networks for multi-label authorship attribution[C]//LREC 2018，11th International Conference on Language Resources and Evaluation. Miyazaki， Japan：LREC， 2018：2576-2581.

[13]孫龍龍，顧長貴，馮靖，等.四大名著文本中的無標(biāo)度規(guī)律[J].上海理工大學(xué)學(xué)報(bào)，2019，41（1）：77-83.

[14]VAN DALEN-OSKAM K， VAN ZUNDERT J. Delta for middle dutch： Author and copyist distinction in Walewein[J]. Literary and Linguistic Computing，2007， 22（3）： 345-362.

[15]MACIEJ E. Rolling stylometry[J]. Literary & linguistic computing： Journal of the Alliance of Digital Humanities Organizations，2016，31（3）：457-469.

[16]MACIEJ E， RYBICKI J， KESTEMONT M. Stylometry with R： A package for computational text analysis[J]. The R Journal， 2016， 8（1）：107-121.

[17]ARMANO J， GRAVE E， BOJANOWSKI P， et al. Bag of tricks for efficient text classification [C]//Proceedings of 15th Conference of the European Chapter of the Association for Computational Linguistics. Valencia，Spain：ACL， 2017：427-431.

[18]MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of word representations in vector space [C]//Proceedings of the 1st International Conference on Learning Representations. Scottsdale，Arizona：ACL ，2013：1-12.

[19]WANG S， MANNING C D. Baselines and bigrams： Simple， good sentiment and topic classification [C]//Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics. Stroudsburg， USA：ACL ， 2012： 90-94.

[20]WEI J W， ZOU K. EDA： Easy data augmentation techniques for Boosting performance on text classification tasks [C]//Proceedings of Conference on Empirical Methods in Natural Language Processing and 9th International Joint Conference on Natural Language Processing （IJCNLP）.Suzhou， China：AACL ， 2020： 6382-6388.

[21]李賢平. 《紅樓夢》成書新說[J]. 復(fù)旦學(xué)報(bào)：社會科學(xué)版， 1987 （5）：3-16.

[22]PENNINGTON J， SOCHER R， MANNING C. Glove： Global vectors for word representation [C]//Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Doha， Qatar： ACL，2014： 1532-1543.