分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

近些年來,弘揚(yáng)中華傳統(tǒng)文化的現(xiàn)象級綜藝節(jié)目不斷涌現(xiàn),如《中國漢字聽寫大會》、《中國成語大會》、《中國謎語大會》、《中國詩詞大會》等,其背后的社會成因,在于人們對中國文化中最精致文字的膜拜心理,雖然浸淫于層出不窮的網(wǎng)絡(luò)語匯,時時面臨“語言荒漠”的窘境,仍心向往之。

上述節(jié)目中,筆者最感興趣的還是《中國詩詞大會》—通過對詩詞知識的比拼及賞析,帶動全民重溫那些曾經(jīng)學(xué)過的古詩詞,分享詩詞之美,感受詩詞之趣,從古人的智慧和情懷中汲取營養(yǎng),涵養(yǎng)心靈。

由于在新浪微輿情從事的是語義分析產(chǎn)品方面的工作,平時用到很多文本挖掘的方法。所以,筆者想從文本(數(shù)據(jù))挖掘的角度去“探索”全唐詩,挑戰(zhàn)一些不同場景下(現(xiàn)代漢語和古漢語)文本處理和分析的異同點(diǎn),錘煉自己的分析技能;但更想做的是,結(jié)合數(shù)據(jù)之美和詩歌之雅,用跨界思維去發(fā)現(xiàn)一些有趣的東西。

在這里,筆者分析的語料是《全唐詩》,它編校于清康熙四十四年(1705年),得詩四萬八千九百余首。

接下來,筆者將使用多種文本挖掘方法,來分析《全唐詩》。以下是本文的行文脈絡(luò):

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密0 文本預(yù)處理

對于現(xiàn)代漢語的分詞,開源/免費(fèi)的解決方案或工具很多,開源的解決方案如Jieba、HanLp、StanfordNLP和IKAnalyzer等,“傻瓜式”的免費(fèi)操作工具的也有新浪微輿情文本挖掘工具,如果直接采用這些現(xiàn)代漢語分詞工具對古詩詞進(jìn)行分詞,結(jié)果會是這樣的:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

然而,對于古漢語(文言文),尤其是詩詞的分詞處理可沒有這么簡單,因為單字詞占古漢語詞匯統(tǒng)計信息的80%以上,再加上古漢語微言大義,字字千鈞,所以針對現(xiàn)代漢語的分詞技術(shù)往往不適用于它。鑒于此種情況,筆者采取的是逐字切分的處理方式,同時去掉一些常見的虛詞,如“之”、“乎”、“者”、“也”。分詞和去停用詞處理如下所示:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

經(jīng)過文本預(yù)處理后,就可以進(jìn)行文本挖掘中最常規(guī)的分析—字頻統(tǒng)計,看看《全唐詩》中出現(xiàn)最多的字有哪些。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

一、 字頻分析:唐詩常用高頻字分析

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

1.1

全局高頻字

首先,讓我們來看看去掉這些虛詞之后的全局高頻字有哪些,筆者這里展示的是TOP148。“人”字排行第一,這體現(xiàn)了《說文解字》里所講的“人,天地之性最貴者也”,說明唐詩很好的秉承了“以人為本”的中華文化。而后續(xù)的“山”、“風(fēng)”、“月”、“日”、“天”、“云”、“春”等都是在寫景的詩句里經(jīng)常出現(xiàn)的意象。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

1.2

典型意象分析

所謂“意象”,就是客觀物象經(jīng)過創(chuàng)作主體獨(dú)特的情感活動而創(chuàng)造出來的一種藝術(shù)形象。簡單地說,意象就是寓“意”之“象”,就是用來寄托主觀情思的客觀物象。在比較文學(xué)中,意象的名詞解釋是—所謂“意象”簡單說來,可以說就是主觀的“意”和客觀的“象”的結(jié)合,也就是融入詩人思想感情的“物象”,是賦有某種特殊含義和文學(xué)意味的具體形象。簡單地說就是借物抒情。

比如,“月”這個古詩詞里常見的意象,就有如下內(nèi)涵:

  • 表達(dá)思鄉(xiāng)、思親念友之情,暗寓羈旅情懷,寂寞孤獨(dú)之感;
  • 歷史的見證今昔滄桑感;
  • 冷寂、凄清的感覺;
  • 清新感 。

筆者在這里挑選的意象是關(guān)于季節(jié)和顏色的。

物轉(zhuǎn)星移幾度秋—《全唐詩》中的季節(jié)

統(tǒng)計“春”、“夏/暑”、“秋”、“冬”這4個字在《全唐詩》中出現(xiàn)的頻次,“春”字排行榜首,“秋”字列第2位,“夏”和“冬”出現(xiàn)的頻次則要少1個量級,在唐詩里,傷春、惜春是常見的春詩題材,代表性的作品有朱淑真《賞春》、杜甫《麗春》、韓愈《春雪》、張若虛《春江花月夜》等。也難怪,在商代和西周前期,一年只分為春秋二時,后世也常以春秋作為一年的代稱,約定俗成,由來已久,這兩個字的使用頻率很高也就不足為奇了。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

萬紫千紅一片綠—《全唐詩》中的色彩

筆者在這里找了51個古語中常用的顏色的單字(注意是古漢語語境中的顏色稱謂),其中以紅色系(紅、丹、朱、赤、絳等)、黑色系(暗、玄、烏、冥、墨等)、綠色系(綠、碧、翠、蒼等)及白色系(白、素、皎、皓等)為主,這些顏色及其對應(yīng)的字頻如下表所示:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

這里面“白”字的字頻最高,本意是“日出與日落之間的天色”,筆者常見的有“白發(fā)”、“白云”、“白雪”,常渲染出一種韶華易逝、悲涼的氣氛,名句如“白頭搔更短,渾欲不勝簪”、“白雪卻嫌春色晚,故穿庭樹作飛花”、“君不見,高堂明鏡悲白發(fā),朝如青絲暮成雪”、“白云一片去悠悠,青楓浦上不勝愁”。

將上述主要的色系綜合統(tǒng)計一下,得到下面的環(huán)形占比圖:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

其中,綠色系的占比居多,“綠”“碧”“蒼”“翠”等大都用于寫景,“綠樹”、“碧水”、“蒼松”、“翠柳”等,這些高頻字從側(cè)面反映出全唐詩中描寫景物、寄情山水的詩句占比很大,透露出平靜、清新和閑適之感。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

二、 詞匯探測:唐詩中的常用雙字詞發(fā)現(xiàn)

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

剛才筆者分析的是單字,而漢語的語素大都是由單音節(jié)(字)表示,即所謂的“一音一義”。當(dāng)這些單音節(jié)語素,能夠獨(dú)立應(yīng)用的話,就是詞。古漢語中存在著許多單音節(jié)詞,這也就是文言文翻譯中要經(jīng)常把一個字翻譯成現(xiàn)代漢語中的雙音節(jié)詞的原因。

然而,有些單音節(jié)語素,不能夠獨(dú)立使用,就不是詞,只能夠是語素,如“第-“、”躊-“、”- 們“。

鑒于此,筆者想發(fā)現(xiàn)一些唐詩中的常用雙字詞,看看其中的成詞規(guī)律是怎樣的。筆者在這里選取共現(xiàn)次數(shù)超過10次的詞匯,并列出TOP200的共現(xiàn)雙字詞。關(guān)鍵操作步驟如下所示:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

以下是TOP200的共現(xiàn)雙字詞:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

從上面的雙詞探測結(jié)果中,筆者可以發(fā)現(xiàn)如下6類成詞規(guī)律:

(1)復(fù)合式(A+B等于C):由兩個字組成,這兩個字分別代表意義,組成雙音節(jié)的詞,這類詞出現(xiàn)的頻次最多。比如,弟兄、砧杵、紀(jì)綱、捐軀、巡狩、犬吠。

(2)重疊式(AA等于A):?瑯瑯、肅肅、忻忻、灼灼。

(3)疊音(AA不等于A):瑯瑯(單獨(dú)拆開不能組其他詞)、的的(拆開后的單字的詞義不同)等。

(4)雙聲(聲母相同):?躊躇(聲母都是c,分開各自無法組詞)、參差(聲母都是c)、緬邈(聲母都是m)。

(5)疊韻(韻母相同):噫嘻(韻母是i)、繚繞(韻母是ao)、妖嬈(韻母是ao)等。

(6)雙音節(jié)擬聲詞:歔欷、咿啞等。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

三、語義網(wǎng)絡(luò)分析:發(fā)現(xiàn)唐詩中的常用“字眼”

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

在這一部分,筆者抽取的是上述高頻字TOP148中的字的共現(xiàn)關(guān)系,詳細(xì)的原理介紹請參考筆者之前所寫的博文、。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

可以看到,上述的語義網(wǎng)絡(luò)可以分為3個簇群,即橙系、紫系和綠系,TOP148高頻字中,字體清晰可見字的近40個。圓圈的大小表示該字在語義網(wǎng)絡(luò)中的影響力大小,也就是“Betweenness Centrality(中介核心性),”學(xué)術(shù)的說法是“兩個非鄰接的成員間的相互作用依賴于網(wǎng)絡(luò)中的其他成員,特別是位于兩成員之間路徑上的那些成員,他們對這兩個非鄰接成員的相互作用具有某種控制和制約作用”。在詩句中,這些字常以“字眼”的形式呈現(xiàn),也就是詩文中精要的字。3類中:

橙系:北、流、馬、草、閑、孤、逢、云等;

紫系:游、樹、雨、回、笑、言、幽、清、白、野、行等

綠系:知、金、柳、難、愁、舊、仙、望、客。

其中,根據(jù)字的構(gòu)成來看,綠系簇群中的字大多跟送別(好友)有關(guān)。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

四、 字向量分析:基于的Word2vec的關(guān)聯(lián)字分析

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

因為之前的文本預(yù)處理是按字來切分的,所以這里進(jìn)行的是基于Word2vec的字向量分析。

基于Word2vec的字向量能從大量未標(biāo)注的普通文本數(shù)據(jù)中無監(jiān)督地學(xué)習(xí)到字向量,而且這些字向量包含了字與字之間的語義關(guān)系,正如現(xiàn)實(shí)世界中的“物以類聚,類以群分”一樣,字可以由它們身邊的字來定義。

從原理上講,基于字嵌入的Word2vec是指把一個維數(shù)為所有字的數(shù)量的高維空間嵌入到一個維數(shù)低得多的連續(xù)向量空間中,每個單字被映射為實(shí)數(shù)域上的向量。把每個單字變成一個向量,目的還是為了方便計算,比如“求單字A的同義字”,就可以通過“求與單字A在cos距離下最相似的向量”來做到。相關(guān)案例可參看《作為一個合格的“增長黑客”,你還得重視外部數(shù)據(jù)的分析!》。下面是基于Word2vec的字向量模型原理示意圖。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

下面,筆者選取一些單字進(jìn)行字向量關(guān)聯(lián)分析,展示如下:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

與“梅”相關(guān)的字,大致分為兩類:同屬植物,如醾、杏、梨、桃、榴、楊、柳、楝等;和“梅”相關(guān)的意象,如春(梅)、酴(酒)、(梅)花、(梅)枝、殘(梅)、(梅)梢等。最相關(guān)的是“春”,吟詠春梅,在唐詩中極為常見,賢相宋璟在東川官舍見梅花怒放于榛莽中,歸而有感,作《梅花賦》,其中,”獨(dú)步早春,自全其天”,贊賞梅花在早春中一枝獨(dú)秀,自己安于凌寒而開的天命。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

“靜”字則跟它的同音字“凈(連帶繁體,一共出現(xiàn)三次,即“凈”、“淨(jìng)”和“凈”)”的相關(guān)度最大,結(jié)合“坐”、“院”“梵”等字,可聯(lián)想到“凈院”(佛寺,亦稱“凈宇”)、凈覺(謂心無妄念,對境不迷),這也說明,在唐詩里最能體現(xiàn)靜的,還是在寺廟里參禪,感悟佛法。

筆者還想看看唐詩里經(jīng)常出現(xiàn)的情緒,即“悲”、“憂”、“愁”、“怒”、“懼”,看看它們的相關(guān)字有哪些。這里就請讀者自行分析,筆者不做贅述。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

注意,在這里得到的情緒相關(guān)字,筆者將收集整理它們,制成情緒詞典,用于后面的詩詞情緒分類。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

五、 多維情緒分析:發(fā)現(xiàn)唐詩中的“七情”

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

王國維在《人間詞話》里曾提到:“境非獨(dú)謂景物也,喜怒哀樂,亦人心中之一境界。故能寫真景物、真感情者,謂之有境界”,講的是”境”與”境界”通用—寫景亦可成境界,言情亦可成境界,因為景物是外在的世界,情感是內(nèi)在的世界。所以,在這里,筆者想分析一下全唐詩中詩詞所表達(dá)出來的內(nèi)在境界,也就是內(nèi)在情感,為了豐富分析維度,不采用簡單的二元分析,即“積極”和“消極”2種情緒,而是7種細(xì)顆粒的情緒分類,即悲、懼、樂、怒、思、喜、憂。

根據(jù)上面獲取到的字向量,經(jīng)過人工遴選后,得到可以用于訓(xùn)練的“情緒字典”,根據(jù)詩歌中常見的主題類別,情緒類別分為:

悲:愁、慟、痛、寡、哀、傷、嗟…

懼:讒、謗、患、罪、詐、懼、誣…

樂:悅、欣、樂、怡、洽、暢、愉…

怒:怒、雷、吼、霆、霹、猛、轟…

思:思、憶、懷、恨、吟、逢、期…

喜:喜、健、倩、賀、好、良、善…

憂:恤、憂、痾、慮、艱、遑、厄…

筆者在這里采用的是基于LSTM(LongShort-Term Memory,長短期記憶網(wǎng)絡(luò))的情緒分析模型。

在這里,我們會將文本傳遞給嵌入層(Embedding Layer),因為有數(shù)以萬計的字詞,所以我們需要比單編碼向量(One-Hot Encoded Vectors)更有效的表示來輸入數(shù)據(jù)。這里,筆者將使用上面訓(xùn)練得到的Word2vec字向量模型,用預(yù)先訓(xùn)練的詞嵌入(Word Embedding)來引入的外部語義信息,做遷移學(xué)習(xí)(Transfer Learning)。

以下是簡要原理展示圖:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

為了取得更好的效果,筆者采用最新的NestedLSTM+Conv1D的深度學(xué)習(xí)模型來做情緒判斷,它能較好的提煉文本里的特征和語序信息,記住更長的語義依賴關(guān)系,做出較為精確的情緒判斷。其網(wǎng)絡(luò)結(jié)構(gòu)如下所示:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

接著,來試試實(shí)際的效果:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

筆者隨機(jī)測試了100句,判斷準(zhǔn)確的有86條,粗略的準(zhǔn)確率估計是86%。當(dāng)然,這只是一次不太嚴(yán)謹(jǐn)?shù)男L試,在真實(shí)的業(yè)務(wù)場景里,這得花很多時間來做優(yōu)化,提高模型的準(zhǔn)確率。

下面是對《全唐詩》近5萬首詩的情緒分析結(jié)果,展示如下:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

可能出乎很多人的意料,代表大唐氣象的唐詩應(yīng)該以積極昂揚(yáng)的情緒為主,怎么會是“悲”、“思”、“憂”這樣的情緒占據(jù)主流呢?而“喜”、“樂”這樣的情緒卻占據(jù)末流呢?

接下來,筆者著重來分析下“悲”這個情緒占據(jù)主流的原因。

從常見的唐詩寫作題材上說,帶有“悲”字基調(diào)的唐詩較多,也多出名詩佳句,比如唐詩中常見的幾種情結(jié),如”悲秋情結(jié)“、”別離情結(jié)“、”薄暮情結(jié)“”悲怨情結(jié)“,都體現(xiàn)出濃重的“悲情”色彩。

古人云:“悲憤出詩人”,它點(diǎn)破了人的成就與所處的環(huán)境、心境有某種關(guān)系。就像司馬遷所說:“夫《詩》、《書》隱約者,欲遂其志之思也。昔西伯拘羑里,演《周易》;孔子厄陳、蔡,作《春秋》…大抵賢圣發(fā)憤之所為作也。此人皆意有所郁結(jié),不得通其道也…”回顧古今中外的著名的詩人和作家,幾乎無一不是曾有一段被排擠,誹謗,不得志和身處逆境之經(jīng)歷,有些甚至還很悲慘。正是在這種悲難,惡劣環(huán)境中,才使得其奮發(fā)圖強(qiáng)。

重要的是,唐詩中的“悲”不僅僅是做“兒女態(tài)”的悲,更是具有超越時空、憐憫蒼生以及同情至美愛情的大慈大悲。如下:

  • 陳子昂的《登幽州臺歌》,“前不見古人,后不見來者。念天地之悠悠,獨(dú)愴然而涕下。”從時間與空間兩個角度把悲涼拉長了。
  • 李白的《將進(jìn)酒》中“君不見明鏡高堂悲白發(fā),朝如青絲暮成雪”,以及《夢游天姥吟留別》中“世間行樂亦如此,古來萬事東流水”讓人唏噓!還有《長相思》第一首中“天長路遠(yuǎn)魂飛苦,夢魂不到關(guān)山難。長相思,摧心肝。”
  • 杜甫的《登高》中“無邊落木蕭蕭下,不盡長江滾滾來。萬里悲秋常作客,百年多病獨(dú)登臺?!崩喜堒|,孤苦無依獨(dú)登臺,心中悲涼陡然而生。《石壕吏》中“老嫗力雖衰,請從吏夜歸。急應(yīng)河陽役,猶得備晨炊”等句語言樸實(shí),但極具張力!
  • 白居易的《長恨歌》末尾“七月七日長生殿,夜半無人私語時。在天愿作比翼鳥,在地愿為連理枝。天長地久有時盡,此恨綿綿無絕期?!毕鄲鄱荒芟嗑?,生死遺恨,沒有盡頭!

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

六、 詩歌生成:用深度循環(huán)神經(jīng)網(wǎng)絡(luò)自動寫唐詩

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

與上面情緒分析模型采用的內(nèi)部原理一致,這里采用的還是LSTM,2層網(wǎng)絡(luò)。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

上圖是文本生成的簡要原理圖,是基于字符(字母和標(biāo)點(diǎn)符號等單個字符串,以下統(tǒng)稱為字符)進(jìn)行模型構(gòu)建,也就是說我們的輸入和輸出都是字符。舉個栗子,假如我們有一個一句詩“胸中穩(wěn)處即吾鄉(xiāng)”,我們想要基于這句詩來構(gòu)建LSTM,那么希望的到的結(jié)果是,輸入“胸”,預(yù)測下一個字符為“中”;輸入“中”時,預(yù)測下一個字符為“穩(wěn)”…輸入“吾”,預(yù)測下一個字符為“鄉(xiāng)”,等等。

由于其中的原理過于繁復(fù),涉及大量的code和數(shù)學(xué)公式,故筆者僅展示生成的結(jié)果,訓(xùn)練的語料即經(jīng)過預(yù)處理的《全唐詩》。

以“春雨”打頭,生成500字的詩詞,結(jié)果如下:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

可以看見,其中的詩詞大都圍繞著“春”來展開,也就是打頭的兩個字引導(dǎo)了后續(xù)結(jié)果的生成,這多虧了LSTM超強(qiáng)的“記憶能力”—記住了詩歌文本序列中的時空依賴關(guān)系。

在生成的詩句中,某些詩句還是蠻有意思的,上下聯(lián)間的意象有很強(qiáng)的相關(guān)性。

下面是多次生成中產(chǎn)生的較優(yōu)秀的詩句(當(dāng)然,這是筆者認(rèn)為的),其中有些學(xué)習(xí)到了高階的對仗技巧,如下:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

白鷺驚孤島,朱旗出晚流。

筆者最喜歡的是這兩句,它們對仗工整:“白鷺”-“朱旗”,“孤島”-“晚流”,“驚”-“出”。這里體現(xiàn)出《人間詞話》中的“無我之境”:“無我之境,以物觀物,故不知何者為我,何者為物”,也就是意境交融、物我一體的優(yōu)美境界,其中的“驚”、“出”堪稱字眼,極具動感,煉字絕妙!

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

七、 相似文本檢索:用WMD查找相似詩詞

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

最后,我們來看看詩歌的信息檢索問題,也就是筆者隨意輸入一句詩詞,然后機(jī)器會按照語義相似度在《全唐詩》中檢索出若干句符合要求的詩詞。

談到這里,筆者不由得想起一個詞—“射覆”,射覆游戲早期的耍法主要是制謎猜謎和用盆盂碗等把某物件事先隱藏遮蓋起來,讓人猜度。這兩種耍法都是比較直接的。后來,在此基礎(chǔ)上又產(chǎn)生了一種間接曲折的語言文字形式的射覆游戲,其法是用相連字句隱寓事物,令人猜度,若射者猜不出或猜錯以及覆者誤判射者的猜度時,都要罰酒。唐浩明的長篇小說《張之洞》中有對射覆游戲的精彩描寫:

寶竹坡突然對大家說,我有一覆,諸位誰可射中。不帶大家做聲,他立刻說,《左傳》曰:伯姬歸于宋。射唐人詩一句。大家都低頭想。

張之洞不慌不忙地念著,白居易詩曰:老大嫁作商人婦。

如果對古文生疏,大家可能很難將這兩句聯(lián)想起來,但《張之洞》里接下來就有關(guān)于解謎的描述:

楊銳道:伯、仲、叔、季,這是中國兄弟姊妹得排行序列。伯姬是魯國的長公主,排行老大。周公平定武庚叛亂后,把商舊都周圍地區(qū)封給商紂王的庶子啟,定國名為宋,故宋國為商人后裔聚族之地。伯姬嫁到宋國,不正是’老大嫁作商人婦’嗎?

大家可能會想,如果是自己來思索的話,不僅需要自己具備淵博的學(xué)識,更要有疾如閃電的反應(yīng)能力,這個非極頂聰明之人不可!

試想,機(jī)器來做,可以做好嗎?能的話,又會是如何操作?

這里,筆者介紹基于WMD(Earth Mover’s Distance)的語義相似度算法,與上面的情緒分析類似,還有用到之前訓(xùn)練得到的字向量模型,借助外部語義信息來應(yīng)對同義不同字的情形。

WMD(EarthMover’s Distance)是一種能使機(jī)器以有意義的方式(結(jié)合文本的語義特征)評估兩個文本之間的“距離(也就是文本間的相似度)”的方法,即使二者沒有包含共同的詞匯。它使用基于word2vec的詞向量,已被證明超越了k-近鄰分類中的許多現(xiàn)有技術(shù)方法。以下是基于WMD的“射覆”的機(jī)器解:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

上面兩個句子沒有共同的詞匯,但通過匹配相關(guān)單字,WMD能夠準(zhǔn)確地測量兩個句子之間的(非)相似性。該方法還使用了基于詞袋模型的文本表示方法(簡單地說,就是詞匯在文本中的頻率),如下圖所示。該方法的直覺是最小化2段文本間的“旅行距離(traveling distance)”,換句話說,該方法是將文檔A的分布“移動”到文檔B分布的最有效方式。

簡要的解釋了相關(guān)原理后,筆者緊接著展現(xiàn)最后的分析效果。由于對《妖貓傳》中的那首線索式的《清平樂》印象深刻,筆者讓機(jī)器在《全唐詩》+《全宋詞》中查找與它相關(guān)性最大的TOP9詩詞。結(jié)果如下:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

查找的結(jié)果排行第一的是原句,但有一個字不同(其實(shí)古語中“花”、“華”互通,華字的繁體是會意字,本意是“花”),略微差異導(dǎo)致相似度不為1.0。第二相似的是一首宋詞,林正大的《括酹江月(七)》,其實(shí)這整首詞可以作為李白《清平樂》的注解,因為全篇都是對它的化用:即將《清平樂》中的句、段化解開來,增加了新的聯(lián)想,重新組合,靈活運(yùn)用,對原詩的表達(dá)進(jìn)行了情感上的升華。隨后的兩句詩詞也是類似的情況,只是相似度上略有差異罷了。

緊接著,是剛才機(jī)器生成的詩句,看看與它內(nèi)涵相近的詩句有哪些:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

再看看筆者較為欣賞的2句名句,機(jī)器很好的捕捉到了它們之間的相似語義關(guān)系,即使詞匯不盡相同,但仍能從語義上檢索相似詩句。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

寫到這里,關(guān)于《全唐詩》單獨(dú)的文本挖掘已經(jīng)完成,但筆者又想到一個有趣的分析維度—從文本挖掘的角度來比較《全唐詩》、《全宋詞》和《全元曲》之間用字的差異,借助字這種基本符號來分析各自的文學(xué)藝術(shù)特征。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

八、 文本對比:用Semiotic Squares比較《全唐詩》、《全宋詞》和《全元曲》

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

因為分析的對象涉及3個,常規(guī)的二元對比分析方法難以得出有效的結(jié)論。因此,筆者在這里跨界采用來自符號學(xué)領(lǐng)域的研究成果—Semiotic Squares。

Semiotic Squares(筆者譯作‘符號方塊’)”,是由知名符號學(xué)大師Greimas和Rastier發(fā)明,是一種提煉式的對比分析(Oppositional Analyses)方法,通過將給定的兩個相反的概念/事例(如“生命(Life)”和“死亡(Death)”)的分析類型(通過‘或’、‘與’、‘非’的邏輯)拓展到4類(如“生命(Life)”、“死亡(Death)”、“生死相間(也就是活死人,The Living Dead)”、“非生非死(天使,Angels)”,有時還可以拓展到8個或10個分析維度。以下是符號方塊的結(jié)構(gòu)示意圖:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

說明:“+”符號將2個詞項組合成一個“元詞項(Metaterm)”(復(fù)合詞,Compound Term),例如,5是1和2的復(fù)合結(jié)果。

Semiotic Squares的構(gòu)成要素

Semiotic Squares主要包含以下2種元素(我們正在避開方塊的組成關(guān)系:對立,矛盾、互補(bǔ)或包含):

(1)詞項(Terms):

Semiotic Square?由4個詞項組成::

  • 位置1 (Term 1):詞項A(Term A)
  • 位置 2(Term 2):詞項B(Term B)
  • 位置 3 (Term Not-2):非B詞項(Term Not-B)
  • 位置 4 (Term Not-1):非A詞項(Term Not-A)

Term A和TermB是相反的兩個概念,二者是對立關(guān)系,這是“符號方塊”的基礎(chǔ),另外兩項是通過對Term A和Term B取反而獲得。

(2)元詞項(Metaterms)

Semiotic Square囊括6個元詞項。這些元詞項由上面的4個基礎(chǔ)詞項組合而成,其中的絕大部分元詞項已被命名。

  • 位置5 (Term 1 + Term 2):復(fù)合詞項(Complex Term)
  • 位置6 (Term 3 + Term 4):中立詞項(Neutral Term)
  • 位置7 (Term 1 + Term 3):正向系(Positive Deixis)
  • 位置8 (Term 2 + Term 4):負(fù)向系(Negative Deixis)
  • 位置9(Term 1 + Term 4):未命名(Unnamed)
  • 位置10(Term 2 + Term 3):未命名(Unnamed)

下面以“男性”和“女性”這兩個相對的概念來舉個例子,注意其中錯綜復(fù)雜的邏輯關(guān)系/類型。

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

說完了分析的大致原理,筆者這里就來實(shí)戰(zhàn)一番,與上述原始模型不同的是,筆者在這里除了基本的二元對立分析外,還新增了一個分析維度,總體是關(guān)于《全唐詩》、《全宋詞》和《全元曲》的三元文本對比分析。

預(yù)處理前的文本是這樣的:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

預(yù)處理后是這樣的形式:

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

用Semiotic Squares進(jìn)行分析的結(jié)果如下圖所示(點(diǎn)擊即可放大顯示):

分析了近5萬首《全唐詩》,發(fā)現(xiàn)了這些有趣的秘密

從上面呈現(xiàn)的TOP10高頻字和象限區(qū)塊(左上角“唐詩”、右上角“宋詞”和正下方“元曲”)來看,唐詩、宋詞、元曲中出現(xiàn)的獨(dú)有高頻字依次是:

  • 唐詩:唯、馀、始、鳥、含、爾、昔、茲、忽、棲、川、旌、戎、秦…
  • 宋詞:闌、沈、匆、簾、濃、約、淡、觴、蕊、屏、凝、笙、瑤、柔…
  • 元曲:哥、俺、咱、孩、姐、吃、哩、科、廝、拿、你、叫、呀、呵…

從上面的關(guān)鍵字來看,唐詩、宋詞和元曲各自的特征很鮮明:

  • 唐詩:用字清澹高華、含蓄,詩味較濃,寄情山水和金戈鐵馬的特征明顯,可以聯(lián)想到唐詩流派中典型的山水田園派和盛唐邊塞詩,它們大都反映大唐詩人志趣高遠(yuǎn)、投效報國的情懷。
  • 宋詞:所用的字體現(xiàn)出婉約、宛轉(zhuǎn)柔美,表現(xiàn)的多是兒女情長,生活點(diǎn)滴,這也難怪,由于長期以來詞多趨于宛轉(zhuǎn)柔美,人們便形成了以婉約為正宗的觀念。
  • 元曲:所用的字生活氣息濃重,通俗易懂、接地氣、詼諧、灑脫和率真,充分反映了其民間戲曲的特征,這與蒙元治下的漢族知識分子被打壓,很多文人郁郁不得志、轉(zhuǎn)入到民間戲曲的創(chuàng)作中來有關(guān)。

此外,正上方的“復(fù)合”中,表征的是三者皆常用的字,即共性特征,主要涉及寫景(如“晴”、“幽”、“溪”、“洲”、“霜”、“浦”、“露”、“碧”、“帆”、“峰”等)和抒情(等“悵”、“憶”、“寂”、“悠”等)。

下方的兩個象限,“Not?唐詩”和“Not?宋詞”分別代表的“宋詞+元曲”、“唐詩+元曲”,三者之二的共性高頻字,中的兩項也以此類推,筆者在這里就不贅述了,請讀者朋友們親自去挖掘里面的玄妙吧。

結(jié)語

筆者非專業(yè)的詩歌研究者,上面的分析也未必準(zhǔn)確,如果有分析不恰當(dāng)?shù)牡胤剑€請扶正。但是,筆者是想通過分析唐詩,來說下自己對于文本(數(shù)據(jù))挖掘的看法:

在數(shù)據(jù)分析中,得出的數(shù)據(jù)結(jié)果只是“引子”和“線索”,最重要的還是要靠人腦去分析結(jié)果,借助所掌握的背景/業(yè)務(wù)知識和分析模型,從文本的表層鉆取到其深層,去發(fā)現(xiàn)那些不能為淺層閱讀所把握的深層意義,挖掘其價值。

參考資料:

  • 1 數(shù)據(jù)來源:《全唐詩》、《全宋詞》、《全元曲》
  • 2 使用工具:Excel、python及其相關(guān)庫(Gensim、Tensorflow、Keras、Jieba)、Gephi
  • 3 維基百科“唐詩”詞條,https://zh.wikipedia.org/wiki/%E5%94%90%E8%AF%97
  • 4 維基百科“意象”詞條,https://zh.wikipedia.org/wiki/%E6%84%8F%E8%B1%A1
  • 5 漢語中字與詞的關(guān)系?,知乎,https://www.zhihu.com/question/23593755
  • 6 王國維,《人間詞話》
  • 7 The Unreasonable Effectiveness of Recurrent Neural Networks,Andrej Karpathy blog, http://karpathy.github.io.
  • 8 Understanding LSTM Networks,Colah,http://colah.github.io/posts/2015-08-Understanding-LSTMs
  • 9 長篇小說《張之洞》,唐浩明
  • 10 Semiotic-Square ,http://www.signosemio.com/greimas/semiotic-square.asp

 

文:蘇格蘭折耳喵,PMCAFF專欄作家,人人都是產(chǎn)品經(jīng)理專欄作家。數(shù)據(jù)分析愛好者,擅長數(shù)據(jù)分析和可視化表達(dá),喜歡研究各種跟數(shù)據(jù)相關(guān)的東東。


相關(guān)文章推薦:

以紅酒電商為例,探討如何做到增長黑客
數(shù)據(jù)驅(qū)動增長?別扯了,先解決數(shù)據(jù)從哪兒來
啥是羊毛黨,啥叫黑產(chǎn)?關(guān)于黑產(chǎn)的一些基本概念和名詞

更多精彩,關(guān)注:增長黑客(GrowthHK.cn)

增長黑客(Growth Hacker)是依靠技術(shù)和數(shù)據(jù)來達(dá)成各種營銷目標(biāo)的新型團(tuán)隊角色。從單線思維者時常忽略的角度和高度,梳理整合產(chǎn)品發(fā)展的因素,實(shí)現(xiàn)低成本甚至零成本帶來的有效增長…

 

本文經(jīng)授權(quán)發(fā)布,不代表增長黑客立場,如若轉(zhuǎn)載,請注明出處:http://gptmaths.com/cgo/9542.html

(0)
打賞 微信掃一掃 微信掃一掃 支付寶掃一掃 支付寶掃一掃
上一篇 2018-04-03 10:10
下一篇 2018-04-04 14:43

增長黑客Growthhk.cn薦讀更多>>

發(fā)表回復(fù)

登錄后才能評論