作者身份归属,是指将作者身份未知的文本归属于某一候选作者的过程。事实证明,计算机和互联网的普及从根本上改变了人们的生活方式,也改变了我们产生和接收信息的方式。作者归属是将海量数据转化为实用知识的关键方法之一。通过研究语言痕迹的反映,作者的身份归因旨在揭示潜在作者的身份和社会语言特征。以风格技术为支撑的作者归属的进步对网络犯罪侦查、市场营销与社会网络分析、文学与科学教育等各个领域都产生了重大影响。为了解决作者身份归属问题,研究者们设计了基于词汇特征,字符特征,句法特征,语义特征等风格特征来提取作者的写作风格,并通过对比作者身份未知的文本和已知作者的风格特征差异来确定文本的作者。传统上,特征工程方法手工设计风格特征用于从长文档（例如电子邮件和新闻文章）中导出与文本相关的风格特征。随后,我们可以用这些捕捉到的风格特征来训练分类器,进而帮助我们识别作者身份未知的文本的作者。作者身份归属中常用的风格特征包括字符n-gram,词汇特征,句法特征和文档主题。近几年也有研究探索作者身份归属的各种深度学习方法。有的方法将卷积神经网络（CNN）用于提取文本的字符特征,并将提取的字符特征用于训练分类器,而另外有一种针对作者身份归属的字符级风格表征的多头递归神经网络（RNN）方法。但是,这两项研究仅应用深度学习方法仅对较大的文本文档执行作者身份归属任务。而且,这些算法还没有在社交媒体中的短文本内容上进行过测试。本文重点介绍如何利用深度学习相关技术（例如孪生网络,度量学习和图卷积网络）来解决作者身份归属任务目前存在的问题并提高作者身份归属模型的效果。本文首先先回顾了作者身份任务近年来的发展。随后,我们提出了两种不同的深度学习方法来解决短文本作者身份归属任务:一种基于用户风格嵌入,通过三元损失函数先对单个文本进行风格嵌入,然后聚合每个文本的特征来提取作者的写作风格特征,模型学习到的作者写作风格特征可以帮助我们很好的完成作者身份归属任务,提高预测作者身份的准确率;另一种基于图卷积神经网络和句法依赖树来从文本的句法信息提取作者的写作风格特征,这种方法着重于对句法特征的提取和利用。我们在多个短文本数据集,包括Twitter和微博两个真实世界的社交媒体数据集上进行了详尽的实验,实验结果表明我们提出的两个模型均达到了目前最好的效果,证明了我们提出的模型的有效性。在本文的最后,根据当前的研究状况,讨论了值得进一步研究的作者身份归属领域。