论文阅读 | Heuristic Authorship Obfuscation

论文地址：https://www.aclweb.org/anthology/P19-1104/

 

已有研究工作：

修改一篇文章的作者风格尚未有很可靠的方法，基于规则的方法不够灵活，也没有针对特定作者足够的规则集，基于单语机器翻译缺乏足够数据集，循环使用多语翻译的方法已经被证明是无效的，同时，这些方法缺少对文本质量的控制。

本文的工作和创新点：

关注的是作者身份验证的问题，也就是看两段文本是否同一个作者编写。本文的主要工作分为两个部分：将写作风格的差异性建模为n-gram之间的Jensen-Shannon距离；使用启发式搜索修改作者的写作风格。在文章变化最小的前提下，使用作者身份混淆方法击败验证方法。

研究方法：

首先从验证的角度来处理混淆问题：给定同一作者的文章，其中一篇文章是该作者所写，但不为公众所知。目标是改写这篇文章使验证方法失效。

为了知道何时停止混淆文本，需要测量文本之间的距离，当距离超过一定阈值时，就可以停止模糊处理程序了。这里使用的是字符的三元组的频率来表示文本，这包含了词汇、标点、词法等特点，使用Kullbach-Leibler divergence（KLD）作为风格距离度量，公式如下：

 

其中，P、Q分时是待处理文本和已知文本中对应字符三元组的离散概率分布。

KLD本身存在一些问题，比如它是不对称，作者的改进方法是使用一个对称的Jensen-Shannon散度（JSD）。定义如下：

 

 

 

在实验中作者发现，一个固定的阈值不能胜任。通过实验发现，它和文本的长度呈反比，如下图所示。

 

因此，具体的阈值定义如下：

 

在前边已经定义了JSD散度用来衡量文本间的距离，通过求导可以对于三元组的影响长度排序，公式如下：

 

那么，一个简单的、基于贪心思想的混淆步骤就可以归结为，删除导数值最大的三元组，直到达到阈值，但这样很容易被逆向，含义也有可能被改变，因此需要合理的搜索策略。

在本文替换策略上，有以下三个目标：

1、对于每个词项，在不影响整体的前提下最大化它的JSD。

2、尽可能减少意译带来的文本质量损失。

3、最小化文本操作的数量。

设h(n)为达到期望的阈值的搜索的最优代价，设g(n)为从原始文本节点s到n的路径代价。定义操作符和它们对应的代价如下：

 

对应的公式如下：

 

 

 

使用启发式的搜索策略代替基于贪心的搜索策略。

实验结果：

 

一个对文本修改的实际例子：

 

评价：

首先通过定义JSD散度来衡量两个文本之间的距离，再制定启发式搜索算法来对文章修改。这个过程其实还是有不少可以改进的地方，比如由于搜索空间较大，作者使用介于深度和广度搜索之间的方法来提高搜索效率，在这个过程中使用了一些未经验证的假设。不过本文在实验的评估部分还是比较详细的。