1. 项目概述：当图神经网络遇见乌尔都文学
在数字人文研究的实验室里，我正面对着一摞泛黄的乌尔都语小说扫描件。这些承载着南亚次大陆文化记忆的文本，正经历着从纸质到数字、从线性叙事到网络结构的奇妙转变。传统作者识别方法依赖于词汇统计和句式特征，就像通过笔迹鉴定画家——而我们尝试的，是通过分析画作中人物的站位关系来识别创作者。
这项研究的核心假设很简单：每位作家在构建角色关系网时，都会留下独特的"社交指纹"。通过将52部乌尔都语小说转化为角色交互图（Character Interaction Graphs），我们使用图注意力网络（GAT）捕捉那些隐藏在对话频率、角色地位分布中的创作特征。令人振奋的是，在严格防止数据泄露的评估协议下，模型达到了85.7%的准确率——这证明即使剥离文字本身，仅凭角色互动模式也能辨识作者风格。
2. 方法论深度解析
2.1 数据预处理：从扫描件到社交图谱
乌尔都语文本处理面临三重挑战：OCR识别错误、别名归一化和叙事单元划分。我们采用LLM辅助的混合流水线：
字符级修正：针对乌尔都语特有的连字变体（如"ﮐ"与"ک"），开发了基于上下文的自适应校正器。例如，当"رحمت"（仁慈）被误识别为"رهمت"时，系统会根据前后词频自动修复。
角色消歧：建立别名-本体映射表处理称谓变化。比如作家常用"جانِ عالم"（世界的灵魂）指代先知，这类宗教文化专有表达需人工校验。
动态窗口划分：测试发现，以5页为单位的滑动窗口最能平衡局部互动与全局关系。具体实现时，采用重叠率为30%的窗口来捕捉跨章节的角色关联。
关键技巧：乌尔都语中角色称谓常带敬语（如"صاحب"），预处理时保留这些社交标记，它们后来被证明是重要的风格指标。
2.2 图构建的艺术与科学
角色共现图的边权重定义直接影响模型效果。我们对比了两种策略：
| 度量方式 | 计算逻辑 | 优势 | 缺陷 |
|---|---|---|---|
| 共页频率 | 同一物理页出现的次数 | 捕获紧密互动 | 受排版影响大 |
| 语义距离加权 | 基于对话轮次的衰减函数 | 反映叙事连贯性 | 计算复杂度高 |
最终选择改进版的窗口共现法：当角色A和B在5页范围内同时出现，且之间存在直接对话时，边权重增加1.5倍；若仅背景描述则权重为1。这种细粒度区分使图结构更贴近叙事逻辑。
2.3 图注意力网络的定制化改造
标准GAT在处理文学图谱时需要三项关键改进：
角色属性编码：除基础的性别、叙事角色外，添加：
- 社交权力指数（基于称谓敬语等级）
- 情感极性（与该角色相关描述的Sentiment均值）
- 叙事持久度（出场章节跨度）
异构图注意力：为不同类型的关系设计独立注意力头：
- 对话关系（高强度注意力）
- 背景共现（低强度注意力）
- 亲属关系（对称注意力）
时序池化层：将小说按三幕剧结构划分，分别提取graph embedding后进行LSTM融合，捕捉作者的情节推进习惯。
class UrduGAT(torch.nn.Module): def __init__(self, num_features): super().__init__() self.conv1 = GATConv(num_features, 64, heads=3, edge_dim=1) self.conv2 = GATConv(64*3, 32, heads=2, edge_dim=1) self.temporal_pool = nn.LSTM(32*2, 128, batch_first=True) def forward(self, data): x, edge_index, edge_attr = data.x, data.edge_index, data.edge_attr x = F.elu(self.conv1(x, edge_index, edge_attr)) x = F.elu(self.conv2(x, edge_index, edge_attr)) x = global_mean_pool(x, data.batch) x = x.view(-1, 3, 64) # 按三幕剧重组 _, (h_n, _) = self.temporal_pool(x) return h_n.squeeze(0)3. 实验中的实战经验
3.1 数据泄露防护机制
在仅有52部小说的限制下，我们设计了三重防护：
作者感知分割：确保训练集和测试集不包含同一作者的不同作品。实际操作中，为每位作者随机保留一部作品作为测试集。
嵌入空间隔离：Autoencoder仅使用训练集embedding学习潜在空间，生成合成样本时添加的高斯噪声标准差不超过原始分布的标准差。
分类器冷冻：最终Logistic Regression模型训练完成后，对测试集仅执行单次前向计算，禁止任何形式的微调。
3.2 超参数调优策略
通过网格搜索发现的关键配置：
- GAT层数：2层（更深会导致过拟合）
- 注意力头数：第一层3头，第二层2头
- 学习率：0.001配合余弦退火调度
- 边权重标准化：采用对数压缩（log(1+x)）处理长尾分布
血泪教训：初期未对乌尔都语特有的从右向左书写顺序调整位置编码，导致模型无法正确理解角色出场顺序，准确率下降12%。
4. 结果分析与领域启示
4.1 混淆矩阵揭示的风格特征
观察误判样本发现：
- 两位擅长家庭史诗的作者常被混淆
- 使用大量象征性角色的作家最易识别
- 政治小说因其角色权力结构鲜明而分类准确率最高
4.2 对低资源NLP的启示
本项目验证了三条跨语言迁移原则：
- 结构优先：当词汇资源匮乏时，叙事框架比具体表达更具区分力
- 文化编码：保留语言特有的社交标记（如敬语系统）能提升模型文化感知
- 轻量标注：仅需角色性别、基本关系等简单标注即可构建有效特征
5. 扩展应用与改进方向
当前系统可进一步优化：
- 引入动态图网络捕捉角色关系演变
- 结合翻译对齐技术构建多语言作者指纹
- 开发交互式可视化工具辅助文学研究
在完成最后一个实验的深夜，显示器上的混淆矩阵突然呈现出某种美学图案——那些被正确分类的小说节点，在投影空间自发形成了与作家家乡地理相似的分布。或许最精妙的作者风格，就藏在他们为角色设计的人际距离之中。
