文本作者身份识别一直是自然语言处理工作中的研究重点,有着广阔的前景。在信息安全领域其可以用于作品版权的保护;在公安行业和文检工作中也可以用于有害信息的作者身份认定,为破案提供一定的思路和技术支持。目前对于文本作者身份识别而言,缺乏统一的写作风格特征集,人工参与程度高,语料依赖性强,筛选过程客观性不足。为实现自动化特征提取,提高识别准确率,本文基于深度学习做出如下工作与创新:首先针对作者语言风格建模过程中,不同语料需要建设不同的特征工程,特征提取繁琐且没有普适性的问题。本文基于深度学习框架,在无需专家进行特征建模的情况下,提出了CABLSTM中文文本作者身份识别模型。为最大化的提取短文本特征,该模型利用卷积神经网络的卷积特效融合注意力机制并去除池化层以防止部分特征被丢弃,构成文本特征提取器,通过输入双向长短期记忆神经网络获取上下文时序文本特征,最后将身份识别结果通过Softmax层进行输出。其次本文基于以上模型设计并实现了文本作者身份识别系统,该系统可以对测试文本进行文本分析,通过本文提出的TankRank-LL算法计算输出文本关键词、短语、摘要;通过百度AI情绪分析输出文本情绪倾向;通过CABLSTM模型输出识别作者。最后本文以中文微博为语料进行了以下实验:分词准确率实验;与传统身份识别算法、深度学习算法的身份识别对照实验;关键词抽取改进实验。通过在准确率、召回率、F值方面的比较,从而验证本文提出的算法、模型、系统的优越性。