零样本作者归因中作者表示策略对比研究
Get the story
2026年10月5日，arXiv（Computation and Language，一手来源）发布研究《零样本作者归因中的作者表示策略：基于 LLM 与嵌入向量方法的对比研究》。研究评估了标签-only 提示基线与三种作者表示策略：代表性写作样本、LLM 生成描述、风格嵌入向量 LISA，并提出结合候选空间缩减与嵌入维度选择的两阶段嵌入归因框架。结果显示，标签-only 零样本归因效果不佳，作者特定表示可稳定提升性能；其中两阶段 LISA 框架整体最优，LLM 生成描述以部分性能为代价提供更紧凑的作者风格表示。现有开源 LLM 在缺乏更有效表示学习时仍不足以稳健归因。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Computation and Language零样本作者归因中的作者表示策略：基于 LLM 与嵌入向量方法的对比研究
研究评估了标签-only 提示基线与三种作者表示策略（代表性写作样本、LLM 生成描述、风格嵌入向量 LISA），并提出结合候选空间缩减与嵌入维度选择的两阶段嵌入归因框架。结果显示标签-only 零样本归因效果不佳，作者特定表示可稳定提升性能，其中两阶段 LISA 框架整体最优，LLM 生成描述以部分性能为代价提供更紧凑的作者风格表示。现有开源 LLM 在缺乏更有效表示学习时仍不足以稳健归因。
Heat trend
Current heat 7·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.