融合风格特征与嵌入系统以估算日语作者归属似然比

背景

在法证科学领域，似然比（Likelihood Ratio, LR）框架被广泛认为是证据分析中逻辑严密且法律上合理的基石。随着文本证据分析的重要性日益凸显，这一框架在作者归属（Authorship Attribution）分析中的应用也逐渐受到认可。

然而，目前的实际应用主要局限于英语文本。与此同时，作者归属的传统方法依赖于多样化的风格特征（Stylometric Features），尽管预训练大语言模型（LLM）的兴起使得基于上下文嵌入（Contextual Embedding）的新方法成为可能。虽然通过融合（Fusion）这些多样化方法有望提升性能，但截至目前，尚未有研究在似然比范式下，将基于风格特征的系统与基于嵌入的系统进行有效整合。

此外，现有的似然比法证文本比较研究几乎全部针对英语，缺乏对日语等低资源或非拉丁语系语言的有效验证。本研究旨在填补这一空白，首次将基于似然比的法证文本比较应用于日语数字文本。

核心内容

本研究提出了一种融合风格特征系统与基于嵌入的系统的方法，旨在估算日语作者归属的似然比。研究使用了来自博客的约 1,000 个字符的摘录作为实验数据，主要达成以下两个目标：

1. 评估系统性能：分析不同系统在似然比幅度（LR Magnitudes）上的表现。
2. 评估融合效果：考察将风格特征系统与嵌入系统融合后，对整体判别能力和校准度（Calibration）的影响。

方法论简述

研究对比了两种主要技术路径：

• 风格特征系统：传统方法，提取文本中的统计特征（如词汇频率、句法结构等）。
• 嵌入系统：基于预训练大语言模型生成的上下文向量，捕捉深层语义信息。

通过融合这两种异构系统，研究试图结合传统方法的稳健性与深度学习方法的语义理解能力，从而在似然比框架下获得更优的证据评估结果。

实验结果

实验结果表明，融合系统在保持极佳校准度的同时，显著提升了性能指标：

1. 增加与事实一致的似然比幅度：当假设成立时（即文本确实出自同一作者），融合系统产生的似然比值更高，增强了证据的支持力度。
2. 减少与事实相反的似然比幅度：当假设不成立时（即文本出自不同作者），融合系统产生的似然比值更低，有效降低了误判风险。
3. 提升整体判别力：融合系统能够更好地区分“同一作者”与“不同作者”的情况。

最终，表现最佳的融合系统实现了 0.32484 的对数似然比成本（Log-Likelihood-Ratio Cost, $C_{llr}$）。这一低成本值不仅证明了似然比框架在日语文本分析中的可行性，也充分展示了跨异构系统融合带来的显著收益。

关键要点

• 首次应用：这是首次将基于似然比的法证文本比较方法应用于日语数字文本的研究。
• 技术融合：研究创新性地结合了传统的风格特征提取系统与基于预训练大语言模型的上下文嵌入系统。
• 数据基础：实验数据来源于日语博客，每篇摘录长度约为 1,000 个字符。
• 性能提升：
  • 融合系统保持了优秀的校准度（即预测概率与真实概率的一致性）。
  • 显著提高了区分“同一作者”与“不同作者”的能力。
  • 最佳融合模型的对数似然比成本降至 0.32484，体现了极高的判别效率。
• 局限性突破：打破了以往似然比作者归属分析仅局限于英语文本的局面，验证了该方法在非英语语言中的适用性。

意义与影响

这项研究在法证语言学和多语言自然语言处理领域具有重要的里程碑意义：

1. 拓展法证科学的语言边界：证明了似然比框架不仅适用于英语，同样适用于日语。这为多语言法证文本分析提供了理论依据和技术路径，有助于在全球范围内推广标准化的证据评估方法。
2. 验证异构系统融合的价值：研究结果有力地支持了“融合优于单一系统”的假设。通过结合传统统计特征和深度学习嵌入，可以弥补单一方法的不足，获得更鲁棒、更准确的作者归属判断。
3. 推动低资源/非拉丁语系语言研究：对于日语这类具有独特书写系统（汉字、假名混合）和语法结构的语言，本研究展示了如何利用现代 NLP 技术解决传统的法证问题，为其他低资源语言的研究提供了参考范例。
4. 法律证据标准的提升：通过提供经过严格校准的似然比数值，该方法能为法庭提供更量化、更科学的证据评估工具，有助于提高司法判决的准确性和公正性。