数据集概述
该数据集为PAN19评测任务的训练数据，聚焦跨领域作者归属问题，核心场景为粉丝小说（Fanfiction）的跨 fandom 作者识别。数据集包含已知作者的多 fandom 粉丝小说样本与未知作者的目标 fandom 样本，支持开放集归属任务（真实作者可能不在候选列表中）。
文件详解
数据集为单个压缩包文件，具体说明如下：
- 文件名称: pan19-cross-domain-authorship-attribution-training-dataset-2019-01-23.zip
- 文件格式: ZIP压缩包（.zip）
- 内部文件结构（根据描述推测）:
- 每个问题文件夹包含：
- problem-info.json：标注未知文档文件夹名与候选作者文件夹列表
- fandom-info.json：提供已知作者粉丝小说的 fandom 信息
- ground-truth.json：记录未知文档的真实作者（含类作者）
- collection-info.json：汇总所有问题的文件夹、语言（en/fr/it/sp）及编码（UTF-8）信息
适用场景
- 计算语言学研究：测试跨领域作者归属算法在粉丝小说场景的性能
- 信息检索应用：探索开放集条件下作者识别的技术方案
- 数字人文分析：研究粉丝小说文本的作者风格特征与跨 fandom 迁移性
- 法律与新闻领域参考：为匿名文档（如勒索信）的作者识别提供算法验证数据支持
