在作者与文档表征中捕捉写作风格

基于摘要分析。本文研究 NLP 中作者表征难以显式捕捉写作风格的问题，提出基于 Variational Information Bottleneck（VIB，变分信息瓶颈）的架构，在文体约束下共同学习作者与文档嵌入，主要面向作者归属判定及文体表征，而非 EEG 或 BCI。 方法上，模型微调预训练文档编码器，并引入预定义文体特征，引导表征捕捉写作风格，使表征轴能够对应可解释的文体指标。其核心设计是将文体信息显式纳入表征学习，而不只以作者识别性能衡量嵌入质量。摘要未说明文体特征的具体定义、VIB 的优化目标、各约束的组合方式，以及作者嵌入与文档嵌入如何交互，这些实现细节尚未验证。 作者在 Gutenberg Project 提取的文学语料、Blog Authorship Corpus 和 IMDb62 三个数据集上评估该方法。作者报告，在这些数据集的作者归属判定实验中，方法达到或超过较强及近期基线，并更准确地捕捉作者的文体特征。摘要未提供具体指标、数值、数据划分或基线名称，因此不能据此判断改进幅度，也不能确认文体信息与主题、内容等因素的区分程度；实验协议、消融及统计信息尚未验证。 复现时需核对文体特征提取流程、预训练编码器、训练目标与文体评估协议。材料未建立文本作者风格与神经信号之间的具体机制对应，不能将其结果视为跨被试 EEG 表征或 BCI 性能的证据；已有 EEG 相关工作尚未检索确认。