本發明屬于計算機應用領域，公開了一種基于詞向量的文學作品創作年代判定方法，利用創作于不同年代的作品在時代風格上的差異來判定作品的創作年代。過程如下：將待判定文本的年代限定到若干候選年代區間，收集對應于待判定文本和每一個候選年代區間的語料；使用收集到的語料基于神經網絡語言模型訓練詞向量；利用收集到的若干語料計算可以表征語料所屬年代的寫作風格的時代風格向量；通過對比各個年代風格向量的差異來找出和待判定文本寫作風格最相似的年代以完成判定。本發明利用詞向量的優良特性，基于大量文本語料來實現風格的表征和判定，得到的判定結果具有較高的可信度；另外，本發明的實施流程簡便，具有良好的適用性。

技術領域

本發明屬于計算機應用領域，特別涉及一種基于詞向量的文學作品創作年 代判定方法，具體可以應用在文學和史學等領域未知年代作品的年代識別中。

背景技術

在自然語言處理領域，文本中單詞的表示是一個基礎而又重要的技術。近 年來，基于神經網絡來訓練詞向量的技術得到了長足的發展，它能把文本中的 每一個單詞都表示成連續空間中的一個向量。這樣一來，詞之間的相似性就能 夠通過向量之間的相似性來衡量。不同于傳統的獨熱表示方法將每一個詞表示 成不包含語義信息的原子單元，通過詞向量技術獲得的詞語表示包含了豐富的 語法和語義信息，因此詞向量也被廣泛地用來提升許多現有的自然語言處理任 務的表現。但是，現有利用詞向量的方式，大多是通過為已有的任務生成更好 的特征來提升任務表現，并不能夠充分利用詞向量中所蘊含的豐富的語義和語 法信息。

在眾多訓練詞向量的技術中，谷歌Mikolov等人開發的word2vec工具憑借 著高效性和易用性脫穎而出。具體地，word2vec實現了兩個分布式模型： Continuous Bag ofWords(CBOW)模型和Skip-gram模型。這兩個模型通過利用 上下文預測中心詞或者利用中心詞預測上下文來構建優化目標，最終能獲得包 含豐富的語義信息的高質量的詞向量。Word2vec的輸入是訓練語料，輸出是詞 表中的每一個單詞所對應的向量表示，向量的維度一般在50-1000維。附圖1 給出了word2vec所實現的CBOW模型和Skip-gram模型的示意圖。

文本風格分析是應用語言學的一個分支，專門研究文學體裁的各種特征。 在十八世紀，法國博物學家布馮最早提出了“風格即人”的觀點，也就是說一 個作品的風格取決于作者是一個什么樣的人。但是，一個多產的作家也可能會 寫出風格迥異的作品。在分析文本風格的時候，我們不僅需要關注文本的內部 特征，還要關注文本的宏觀結構和創作背景。隨著計算語言學的發展，基于統 計學的方法開始被廣泛地應用于文本風格分析，這主要體現在很多文本統計特 征比如詞頻、詞長和句長等被用來分析文本風格。此外，一些高級的自然語言 處理技術比如詞性標注(POS tagging)、風格標記(style markers)和一些先進的 分類算法也開始被用來分析文本風格。但是，現有的一些方法大多存在著流程 復雜、通用性差的缺點。

文本風格分析的具體應用場景一般包括文本體裁判定、作品作者識別和作 品年代判定等。在早期，一些學者主要根據自己的主觀經驗來判定一個待判定 文本的創作年代，通過查證文獻資料并加上主觀分析得出結論，這樣得出的判 定結果經常具有較強的主觀性，而且不可量化?；谠~向量技術來進行作品創 作年代判定，可以利用大量的訓練語料所包含的語言的語義和語法信息，并且 充分利用詞向量所具備的優良特性，最終以簡單有效的方式獲得判定結果。

發明內容

為了解決現有的文學作品年代判定方法存在的問題，本發明提供了一種高 效簡單的基于詞向量的判定文學作品創作年代的方法，首先利用詞向量技術來 表征創作于不同年代的作品的時代風格，然后通過對比時代風格的差異來判定 作品的創作年代。

為了達到上述目的，本發明的技術方案為：

一種基于詞向量的文學作品創作年代判定方法，包括以下步驟：

第一步，劃分候選年代區間