利用多语言训练进行作者表征：增强跨语言和跨领域的泛化能力
计算与语言
2025-09-23 v1
摘要
作者表征（AR）学习，即对作者独特写作风格进行建模，已在作者归属任务中展现出强大的性能。然而，先前的研究主要集中在单语环境（主要是英语），多语言AR模型的潜在优势尚未得到充分探索。我们提出了一种新颖的多语言AR学习方法，包含两项关键创新：概率内容掩码，鼓励模型关注风格指示性词汇而非内容特定词汇；以及语言感知批处理，通过减少跨语言干扰来改进对比学习。我们的模型在跨越36种语言和13个领域的超过450万作者的数据上进行了训练。在22种非英语语言中的21种语言上，它持续优于单语基线，平均Recall@8提升了4.85%，在单一语言中最大提升达15.91%。此外，与仅使用英语训练的单语模型相比，它展现出更强的跨语言和跨领域泛化能力。我们的分析证实了所提出的两种技术的有效性，突出了它们在模型性能提升中的关键作用。
引用
@article{arxiv.2509.16531,
title = {Leveraging Multilingual Training for Authorship Representation: Enhancing Generalization across Languages and Domains},
author = {Junghwan Kim and Haotian Zhang and David Jurgens},
journal= {arXiv preprint arXiv:2509.16531},
year = {2025}
}
备注
Accepted to EMNLP 2025