基于文本聚类的中文量化风格特征及不同风格之间的关系研究

本研究的语料来自新闻联播，日常对话和文涛的头条新闻，它们分别代表正式的书面风格，口语风格和对话风格。 从预处理的语料库中选择句子长度，单词长度，词性（POS）和句子首字母词POS作为特征来生成文本向量，然后将其与PAM（围绕medoids进行划分）和Ward算法进行聚类。 聚类结果表明：（1）合理选择句子长度，词长，词性和词首词词性作为汉语定量文体特征。 （2）风格是一个两极分化的连续体，因为正式的书面风格和口语风格表现出双极性分布，而对话风格则介于口语风格之间和附近。