Review Authorship Attribution in a Similarity Space
Review Authorship Attribution in a Similarity Space
复制标题
在相似性空间中查看作者归属
DOI：
10.1007/s11390-015-1513-6
复制
发表时间：
2015-01
期刊：
影响因子：
--
通讯作者：
Jianfeng Si
中科院分区：
文献类型：
--
作者：
Tieyun Qian;Bing Liu;Qing Li;Jianfeng Si
作者归属，也称为作者分类，是识别一组文档(评论)的作者(审稿人)的问题。通常的方法是使用有监督学习来构建分类器。这种方法有几个问题损害了它的适用性。首先，监督学习需要来自每个作者的大量文档作为训练数据。这在实践中可能很困难。例如，在在线评论领域，大多数评论者(作者)只写了几篇评论，不足以作为训练数据。其次，学习的分类器不能应用于文档未在培训中使用的作者。在本文中，我们提出了一种新的解决方案来解决这两个问题。其核心思想是，我们不在原始文档空间中学习，而是将其转换到相似空间中。在相似空间中，学习能够自然地解决问题。我们基于在线评论和评论者的实验结果表明，该方法的性能明显优于最新的监督和非监督基线方法。
Authorship attribution, also known as authorship classification, is the problem of identifying the authors (reviewers) of a set of documents (reviews). The common approach is to build a classifier using supervised learning. This approach has several issues which hurts its applicability. First, supervised learning needs a large set of documents from each author to serve as the training data. This can be difficult in practice. For example, in the online review domain, most reviewers (authors) only write a few reviews, which are not enough to serve as the training data. Second, the learned classifier cannot be applied to authors whose documents have not been used in training. In this article, we propose a novel solution to deal with the two problems. The core idea is that instead of learning in the original document space, we transform it to a similarity space. In the similarity space, the learning is able to naturally tackle the issues. Our experiment results based on online reviews and reviewers show that the proposed method outperforms the state-of-the-art supervised and unsupervised baseline methods significantly.
登录
查看更多内容
DOI：
--
发表时间：
2011-11
期刊：
Proceedings of the twenty-first international conference on Machine learning
影响因子：
--
作者：
T. Solorio;Sangita Pillay;Sindhu Raghavan;M. Montes-y-Gómez
通讯作者：
T. Solorio;Sangita Pillay;Sindhu Raghavan;M. Montes-y-Gómez
影响因子：
64.8
作者：
M. Kendall
通讯作者：
M. Kendall
DOI：
10.1002/asi.v60:3
发表时间：
2009-03
影响因子：
3.5
作者：
N. Shibata;Y. Kajikawa;Y. Takeda;K. Matsushima
通讯作者：
N. Shibata;Y. Kajikawa;Y. Takeda;K. Matsushima
DOI：
10.1002/asi.20316
发表时间：
2006-02
期刊：
J. Assoc. Inf. Sci. Technol.
影响因子：
--
作者：
Rong Zheng;Jiexun Li;Hsinchun Chen;Zan Huang
通讯作者：
Rong Zheng;Jiexun Li;Hsinchun Chen;Zan Huang
DOI：
10.1145/1015330.1015448
发表时间：
2004-07
期刊：
Proceedings of the twenty-first international conference on Machine learning
影响因子：
--
作者：
Moshe Koppel;Jonathan Schler
通讯作者：
Moshe Koppel;Jonathan Schler