PAN18跨域作者身份识别数据集

数据集概述

该数据集提供跨域作者身份识别问题的语料库，覆盖英语、法语、意大利语、波兰语、西班牙语5种语言，包含已知候选作者同人小说与未知同人小说，通过JSON文件标注问题信息、真实作者及集合信息。

文件详解

• 文件名称: pan18-cross-domain-authorship-attribution-dataset.zip
• 文件格式: ZIP压缩包
• 内部文件说明：
• problem-info.json：每个问题主文件夹中的文件，标注未知文档文件夹名称及候选作者文件夹列表
• ground-truth.json：每个问题主文件夹中的文件，标注未知文档的真实作者
• collection-info.json：标注所有问题的主文件夹、文档语言（en/fr/it/pl/sp）及编码（UTF-8）

适用场景

• 自然语言处理研究：开发与测试跨域作者身份识别算法
• 多语言文本分析：探究不同语言下作者写作风格的特征差异
• 计算语言学应用：验证无训练集依赖的作者归属模型性能
• 数字人文研究：分析同人小说文本中的作者身份特征识别方法