大數(shù)據(jù)文摘投稿作品
作者：高長(zhǎng)寬
歷史上有名的“東坡續(xù)詞”，是文學(xué)史上的一段佳話，這也引發(fā)了作者的深思。他在這詩(shī)詞創(chuàng)作的過(guò)程中，看到了數(shù)理思維的影子，就好比在求解一個(gè)“最優(yōu)化問(wèn)題”：
在一定的約束條件下，如詩(shī)詞要遵守的平仄、押韻、對(duì)仗/對(duì)偶、五七變式、詞譜、情境等，詩(shī)詞創(chuàng)作者需要用文字將自己內(nèi)心的真實(shí)感動(dòng)用語(yǔ)言文字表達(dá)出來(lái)。
因此，作者認(rèn)為，詩(shī)詞之精美和數(shù)理之嚴(yán)密是可以完美結(jié)合的。
既然詩(shī)歌的創(chuàng)作是有規(guī)律的，那么，通過(guò)一定的數(shù)據(jù)挖掘手段，我們是能夠從中發(fā)現(xiàn)一些insight的。
在本文中，作者循著這個(gè)思路，將運(yùn)用若干文本挖掘方法對(duì)手頭的詩(shī)歌語(yǔ)料庫(kù)（該詩(shī)歌原始語(yǔ)料庫(kù)地址為https://github.com/Werneror/Poetry）進(jìn)行深入挖掘和分析，該詩(shī)歌語(yǔ)料庫(kù)的基本統(tǒng)計(jì)數(shù)據(jù)如下：
從上表可以看到，該詩(shī)歌語(yǔ)料庫(kù)中共計(jì)近85萬(wàn)余首詩(shī)歌，詩(shī)歌作者數(shù)量達(dá)29377位之多；其中，字段包括“題目”、“朝代”、“作者”和“內(nèi)容（詩(shī)歌）”。
為了方便后續(xù)的分析，筆者僅取其中的律詩(shī)和絕句，且僅取其中的五言和七言，排律（如《春江花月夜》、《長(zhǎng)恨歌》等）、雜言（如李白的將進(jìn)酒）等就不在本文的分析范圍之內(nèi)。經(jīng)過(guò)數(shù)據(jù)清洗后，最終得詩(shī)504,443，占到原數(shù)據(jù)庫(kù)的59.1%。以下分別是清洗后的詩(shī)歌數(shù)據(jù)統(tǒng)計(jì)結(jié)果和部分樣例：
針對(duì)上述數(shù)據(jù)，筆者在本文中主要有兩個(gè)大目標(biāo)：
- 構(gòu)建一個(gè)包含熱門(mén)題材標(biāo)簽的詩(shī)歌語(yǔ)料庫(kù)，用于后續(xù)的詩(shī)歌題材分類和詩(shī)歌生成任務(wù)；
- 基于上述詩(shī)歌語(yǔ)料庫(kù)的各類文本挖掘和語(yǔ)義分析，以期得到有趣味的發(fā)現(xiàn)。
針對(duì)上述目標(biāo)，本文的實(shí)現(xiàn)路線圖，同時(shí)也是本文的行文脈絡(luò)，如下所示：值得注意的是，上述實(shí)現(xiàn)路徑中，涉及到自然語(yǔ)言處理的兩大組成部分，即自然語(yǔ)言理解（分詞、語(yǔ)義建模、語(yǔ)義相似度、聚類和分類等）和自然語(yǔ)言生成（詩(shī)歌生成和詩(shī)歌翻譯），?看完也會(huì)對(duì)自然語(yǔ)言處理有一定的了解。信息量大，請(qǐng)耐心享用~1 詩(shī)歌分詞和熱詞發(fā)現(xiàn)給定一首詩(shī)歌文本，在其中隨機(jī)取一個(gè)片段，如何判斷這個(gè)片段是否是一個(gè)有意義的詞匯呢？如果這個(gè)片段左右的搭配變化較多、很豐富，同時(shí)片段內(nèi)部的成分搭配很固定，那么，我們可以認(rèn)為這個(gè)片段是一個(gè)詞匯，比如下圖中所示的“摩詰”就是符合這個(gè)定義，那么它就是一個(gè)詞匯。在具體實(shí)施的算法中，衡量片段外部左右搭配的豐富程度的指標(biāo)叫“自由度”，可以用（左右）信息熵來(lái)度量；而片段內(nèi)部搭配的固定程度叫“凝固度”，可以用子序列的互信息來(lái)度量。在這里，筆者利用Jiayan（甲言）對(duì)這54余萬(wàn)首詩(shī)歌進(jìn)行自動(dòng)分詞，在結(jié)果中按照詞匯出現(xiàn)頻率從高到低進(jìn)行排序，最終從語(yǔ)料庫(kù)中抽取若干有意義的高頻詞。其中，詞匯的長(zhǎng)度從1到4。抽取結(jié)果如下：筆者觀察其中部分結(jié)果，發(fā)現(xiàn)一字詞、二字詞才能算得上一般意義上的詞匯，如“不”、“爍”、“歲寒”、“留滯”等 ；三字詞和四字詞一般是多類詞性詞匯的組合，嚴(yán)格上講，應(yīng)該算作短語(yǔ)或者固定表達(dá)，如“隨流水”、”云深處”、“人間萬(wàn)事”、“江湖萬(wàn)里”等。但本文為了表述方便，筆者將它們統(tǒng)一稱之為詞。下面，筆者分別展示詞長(zhǎng)從1到4的TOP100的高頻詞詞云（點(diǎn)擊圖片可放大查看）。一字高頻詞中，除去“不”、“無(wú)”、“有”這類“虛詞”，單看“人山風(fēng)日天云春花年月水”這11個(gè)高頻字，暗合了中國(guó)天人合一哲學(xué)傳統(tǒng)，作詩(shī)如作畫(huà)，作詩(shī)者是把人放到自然環(huán)境、天地歲月這個(gè)時(shí)空大畫(huà)卷中，七情六欲、天人感應(yīng)，詩(shī)情畫(huà)意就由感而生，詩(shī)意盎然了！“詩(shī)畫(huà)本一律”，古人誠(chéng)不我欺！二字高頻詞中，較為顯眼的是“萬(wàn)里”、“千里”，它們描繪出巨大的空間感，在詩(shī)歌中經(jīng)常跟“宏景”“貶謫”、“思鄉(xiāng)”、“閨怨”等主題捆綁在一起。此外，“明月”、“故人”、“白云”、“功名”、“人間”、“平生”和“相逢”等詞匯也是橫亙古今的熱門(mén)用語(yǔ)。三字高頻詞中，數(shù)字的使用很是常見(jiàn)，如“二三子”、“二十四”、“一樽酒”、“二千石”等。其中，最值得一提的是詩(shī)人們用數(shù)詞對(duì)時(shí)空的描繪：表達(dá)時(shí)間跨度的，如“二十年”、“四十年”、“五百年”、“十年前”、“千載后”等；表達(dá)空間距離的，如“千里外”、“三百里”、“百尺樓”...古人總是喜歡把自己置身于浩瀚渺茫的時(shí)空之中，去思考自己匆匆的人生。正如東坡在《赤壁賦》的感慨：“寄蜉蝣于天地，渺滄海之一粟。哀吾生之須臾，羨長(zhǎng)江之無(wú)窮！”在四字高頻詞中，空間方位的詞匯較多，如“南北東西”、“江南江北”、“東西南北”等詞。因四字詞詞長(zhǎng)較長(zhǎng)，像“人間萬(wàn)事”、“千巖萬(wàn)壑”、“明月清風(fēng)”、“白云深處”、“相逢一笑”等詞就擁有較高的信息量，能夠還原大部分的詩(shī)歌意境了。2 訓(xùn)練含納詩(shī)歌詞匯語(yǔ)義關(guān)聯(lián)性的詞嵌入模型詞嵌入模型可以從海量的詩(shī)歌文本中自動(dòng)學(xué)習(xí)到字詞之間的關(guān)聯(lián)關(guān)系，據(jù)此可實(shí)現(xiàn)字詞關(guān)聯(lián)度分析、字詞相似度分析、聚類分析等任務(wù)。然而，計(jì)算機(jī)程序不能直接處理字符串形式的文本數(shù)據(jù)，所以筆者首當(dāng)其沖的一個(gè)步驟就是將詩(shī)歌文本數(shù)據(jù)分詞，之后再“翻譯”為計(jì)算機(jī)可以處理的數(shù)據(jù)形式，這由一個(gè)名為“文本向量化”的操作來(lái)實(shí)現(xiàn)。先談分詞，它跟前面的高頻詞挖掘有聯(lián)系，是后續(xù)所有分析任務(wù)的起始點(diǎn)。結(jié)合前面積累的詞庫(kù)，再基于有向無(wú)環(huán)詞圖、句子最大概率路徑和動(dòng)態(tài)規(guī)劃算法對(duì)這54萬(wàn)首詩(shī)歌進(jìn)行分詞操作。分詞前：“萬(wàn)物生蕓蕓，與我本同氣。氤氳隨所感，形體偶然異。丘岳孰為高，塵粒孰為細(xì)。忘物亦忘我，優(yōu)游何所覬?！?/span>['萬(wàn)物', '生', '蕓蕓', '，', '與', '我', '本', '同', '氣', '。','氤氳', '隨', '所', '感', '，','形體', '偶然', '異', '。', '丘岳', '孰', '為', '高', '，', '塵', '粒', '孰', '為', '細(xì)', '。', ??????????????'忘', '物', '亦', '忘我', '，', '優(yōu)游', '何', '所', '覬', '。']分詞之后再做適當(dāng)處理就可以“喂給”詞嵌入模型（這里是Word2vec）進(jìn)行訓(xùn)練了。
基于Word2vec詞嵌入模型能從大量未標(biāo)注的文本數(shù)據(jù)中“學(xué)習(xí)”到字/詞向量，而且這些字/詞向量包含了字詞之間的語(yǔ)義關(guān)聯(lián)關(guān)系（可以是語(yǔ)義相關(guān)或句法相關(guān)），正如現(xiàn)實(shí)世界中的“物以類聚，類以群分”一樣，字詞可以由它們身邊的字（上下文語(yǔ)境）來(lái)定義，而Word2vec詞嵌入模型恰恰能學(xué)習(xí)到這種詞匯和語(yǔ)境之間的關(guān)聯(lián)性。訓(xùn)練完該模型后，將其訓(xùn)練結(jié)果投射到三維空間，則是如下景象：在訓(xùn)練Word2vec的過(guò)程中，模型會(huì)從大量的詩(shī)歌文本數(shù)據(jù)中學(xué)習(xí)到詞匯之間的2類關(guān)聯(lián)關(guān)系，即聚合關(guān)系和組合關(guān)系。聚合關(guān)系：如果詞匯A和詞匯B可以互相替換，則它們具有聚合關(guān)系。換言之，如果詞匯A和詞匯B含有聚合關(guān)系，在相同的語(yǔ)義或者句法類別中可以利用其中一個(gè)來(lái)替換另一個(gè)，但不影響對(duì)整個(gè)句子的理解。例如，“蕭蕭”、“瀟瀟”都是象聲詞，多用于描述雨聲，具有聚合關(guān)系，那么“山下蘭芽短浸溪，松間沙路凈無(wú)泥，蕭蕭暮雨子規(guī)啼”中的“蕭蕭”可以換做“瀟瀟”。組合關(guān)系：如果詞匯A和詞匯B可以在句法關(guān)系上相互結(jié)合，那么它們具有組合關(guān)系。例如，“雨打梨花深閉門(mén)，忘了青春，誤了青春。賞心樂(lè)事共誰(shuí)論？”中的“忘了”和“誤了”都和“青春”存在組合關(guān)系，都是“動(dòng)詞+名詞”的動(dòng)賓結(jié)構(gòu)。現(xiàn)在來(lái)尋找與“兵燓”存在語(yǔ)義關(guān)聯(lián)性的若干詞匯：結(jié)果大都是跟“戰(zhàn)爭(zhēng)”&“創(chuàng)傷”相關(guān)的詞匯，語(yǔ)義關(guān)聯(lián)關(guān)系捕獲能力較強(qiáng)，后續(xù)的熱門(mén)詩(shī)歌體裁挖掘任務(wù)也會(huì)用到詞嵌入模型的這個(gè)特性。3 度量詩(shī)歌詞匯之間的語(yǔ)義關(guān)聯(lián)關(guān)系3.1 利用余弦相似性度量詩(shī)歌詞匯關(guān)聯(lián)度度量詞匯之間的相似度或者關(guān)聯(lián)度，我們一般會(huì)使用兩個(gè)詞匯的詞向量之間的余弦值，詞向量之間的夾角越小，則余弦值越大，越接近1，則語(yǔ)義相關(guān)度越高；反之，相關(guān)度越低。如下圖所示，展示了“甲兵”、“兵戈”和“烽火”之間的余弦相似度的可視化示意圖：通過(guò)上述詞嵌入模型，similarity(“甲兵”,“兵戈”) = 0.75，similarity(“甲兵”,“烽火”) = 0.37，similarity(“兵戈”,“烽火”) = 0.48。則在這三個(gè)詞匯中，“甲兵”和“兵戈”之間的語(yǔ)義相關(guān)度最高，其次是“兵戈”和“烽火”，最次的“甲兵”和“烽火”。這種給一個(gè)數(shù)值來(lái)識(shí)別詞匯相關(guān)不相關(guān)的方法優(yōu)點(diǎn)在于表達(dá)簡(jiǎn)潔、計(jì)算高效，比如接下來(lái)將要進(jìn)行的熱門(mén)詩(shī)歌題材發(fā)現(xiàn)/聚類。但是，這種詞匯相關(guān)度的計(jì)算沒(méi)有把詞匯之間的相關(guān)度的“因果路徑”直觀的反映出來(lái)。那么，有沒(méi)有一種直觀的方法來(lái)展示詞匯之間的語(yǔ)義相關(guān)性，并且能看到為什么它們是存在這樣的關(guān)聯(lián)關(guān)系（也就是找到詞匯關(guān)聯(lián)路徑或者語(yǔ)義演變路徑）？我們需要把這個(gè)找尋詞匯語(yǔ)義演變路徑的任務(wù)轉(zhuǎn)換成一個(gè)TSP問(wèn)題（旅行商問(wèn)題）。3.2 利用A*算法找尋詞匯之間的語(yǔ)義演變路徑TSP問(wèn)題（Traveling Salesman Problem）又譯為旅行推銷員問(wèn)題，是數(shù)學(xué)領(lǐng)域中著名問(wèn)題之一。假設(shè)有一個(gè)旅行商人要拜訪n個(gè)城市，他必須選擇所要走的路徑，路徑的限制是每個(gè)城市只能拜訪一次，而且最后要回到原來(lái)出發(fā)的城市。路徑的選擇目標(biāo)是要求得的路徑路程為所有路徑之中的最小值。回到詞匯相關(guān)度度量的問(wèn)題上來(lái)，如果我們能在上述訓(xùn)練得到的詞嵌入空間中找到兩個(gè)詞匯之間的最短“語(yǔ)義演變”線路，我們就能直觀的呈現(xiàn)出這2個(gè)詞匯之間產(chǎn)生語(yǔ)義關(guān)聯(lián)的“前因后果”。要實(shí)現(xiàn)這個(gè)目的，有一個(gè)很棒的算法可以實(shí)現(xiàn) --- A*算法（A* search algorithm）。A*算法，也叫A*（A-Star)算法，是一種靜態(tài)路網(wǎng)中求解最短路徑最有效的直接搜索方法，也是解決許多搜索問(wèn)題的有效算法。算法中的距離估算值與實(shí)際值越接近，最終搜索速度越快。下圖中，網(wǎng)狀結(jié)果即是之前構(gòu)建的word2vec詞嵌入空間，節(jié)點(diǎn)是其中分布的詞匯，邊由字詞之間的余弦相關(guān)度構(gòu)成。筆者基于上面的詞嵌入模型，結(jié)合A*算法來(lái)計(jì)算兩個(gè)詞匯之間的最短語(yǔ)義路徑，部分結(jié)果如下所示：在上圖的5個(gè)詞匯對(duì)中，“漁樵”和“躬耕”之間的語(yǔ)義距離最短，也就是語(yǔ)義相關(guān)度最高，它們之間的語(yǔ)義演變路徑也就越短，中間只隔了2個(gè)詞匯；“燕市”和“寶婺”的語(yǔ)義距離最大，語(yǔ)義相關(guān)度最小，二者的語(yǔ)義演變路徑隔了12個(gè)詞匯。可以看到，語(yǔ)義關(guān)聯(lián)性越弱（distance值越大）的兩個(gè)詞匯之間的最短語(yǔ)義演變路徑就越長(zhǎng)，反之越短，所以語(yǔ)義距離與語(yǔ)義演變路徑長(zhǎng)度呈正相關(guān)關(guān)系，語(yǔ)義關(guān)聯(lián)度與語(yǔ)義演變路徑呈負(fù)相關(guān)關(guān)系。有了前面的詞嵌入模型和語(yǔ)義相關(guān)度做“鋪墊”，后續(xù)的熱門(mén)詩(shī)歌題材發(fā)現(xiàn)就水到渠成了~4 用文本聚類進(jìn)行熱門(mén)詩(shī)歌題材發(fā)現(xiàn)先開(kāi)宗明義，在本文中，關(guān)于“詩(shī)歌題材”中的“題材”二字的定義，筆者認(rèn)為是：作為詩(shī)歌創(chuàng)作材料的社會(huì)生活的某些方面，亦特指詩(shī)人用以表現(xiàn)作品主題思想的素材，通常是指那些經(jīng)過(guò)集中、取舍、提煉而進(jìn)入作品的生活事件或生活現(xiàn)象。一言以蔽之，寫(xiě)景、摹物、抒情、記事、明理皆是“題材”。因?yàn)槭孪炔恢肋@54萬(wàn)余首詩(shī)歌中到底會(huì)存在多少個(gè)題材，所以筆者選取的聚類算法沒(méi)有預(yù)設(shè)聚類數(shù)這個(gè)參數(shù)，且兼顧運(yùn)行效率和節(jié)省計(jì)算資源，能利用前面訓(xùn)練好的word2vec詞嵌入模型和語(yǔ)義關(guān)聯(lián)度計(jì)算。此時(shí)，有個(gè)很好的選擇 --- 社區(qū)發(fā)現(xiàn)算法中的Infomap。4.1 基于社區(qū)發(fā)現(xiàn)的熱門(mén)詩(shī)歌題材發(fā)現(xiàn)字詞是承載詩(shī)歌題材的最小語(yǔ)義單元，如“五云山上五云飛，遠(yuǎn)接群峰近拂堤。若問(wèn)杭州何處好，此中聽(tīng)得野鶯啼”，看到其中的“五云山”和“群峰”，則可以給該詩(shī)打上一個(gè)“山川巍峨”的題材標(biāo)簽。由此，筆者接下來(lái)會(huì)基于社區(qū)發(fā)現(xiàn)算法，結(jié)合“詞匯簇群--->詞匯簇群語(yǔ)義特征--->題材標(biāo)簽”的思路來(lái)發(fā)現(xiàn)熱門(mén)詩(shī)歌題材。先說(shuō)說(shuō)基于社區(qū)發(fā)現(xiàn)的大致原理。我們知道，在社交網(wǎng)絡(luò)中，每個(gè)用戶相當(dāng)于每一個(gè)點(diǎn)，用戶之間通過(guò)互相的關(guān)注關(guān)系構(gòu)成了整個(gè)線上人際網(wǎng)絡(luò)。在這樣的網(wǎng)絡(luò)中，有的用戶之間的連接較為緊密，有的用戶之間的連接關(guān)系較為稀疏。其中連接較為緊密的部分可以被看成一個(gè)社區(qū)，其內(nèi)部的節(jié)點(diǎn)之間有較為緊密的連接，而在兩個(gè)社區(qū)間則相對(duì)連接較為稀疏。如何去劃分上述的社區(qū)便稱為社區(qū)發(fā)現(xiàn)的問(wèn)題。基于社區(qū)發(fā)現(xiàn)算法的話題聚類/發(fā)現(xiàn)，在于挖掘詞匯語(yǔ)義網(wǎng)絡(luò)中居于頭部的大型“圈子”。將詞匯擬人化，詞匯之間存在的相似度/關(guān)聯(lián)度可以視為詞匯之間的親密程度，那么，詩(shī)歌題材發(fā)現(xiàn)任務(wù)可以看做是找到不同成員組成的“圈子”，圈子的特性可以根據(jù)其中的成員特征來(lái)確定，換言之，題材的名稱可以根據(jù)其中聚合的詞匯的內(nèi)涵來(lái)擬定，比如某個(gè)詞匯簇群中包含“衛(wèi)霍”、“甲兵”、“征戰(zhàn)”等詞匯，那么這個(gè)題材可以命名為“戰(zhàn)爭(zhēng)”。示意圖如下所示：運(yùn)行社區(qū)發(fā)現(xiàn)算法后，居于頭部的熱門(mén)題材詞匯簇群的可視化呈現(xiàn)如下（點(diǎn)擊圖片可放大查看）：其中，不同顏色表征不同的題材，字體大小代表其出現(xiàn)頻次，詞匯之間的距離遠(yuǎn)近表征其相關(guān)程度大小。經(jīng)聚類得到634個(gè)題材，根據(jù)熱度（題材下轄詞匯數(shù)量）的降序排列呈現(xiàn)最終結(jié)果，如下所示：在這一環(huán)節(jié)中，筆者的在于根據(jù)一些詩(shī)歌領(lǐng)域知識(shí)，找到上述運(yùn)行結(jié)果中熱門(mén)題材及其下轄的題材專屬性詞匯。其中，“題材專屬性詞匯”的內(nèi)涵主要有以下兩點(diǎn)：- 詞匯不能再做進(jìn)一步切割，否則詞義會(huì)發(fā)生變化，比如，“丈夫”在古漢語(yǔ)中的意義是“男子漢”，在一個(gè)獨(dú)立的詞匯，若將其切割為“丈”和 “夫”，則原意喪失殆盡；
- 詞匯僅在一個(gè)題材中出現(xiàn)，具有排他性，如“杖藜”只出現(xiàn)在“云游四方”這個(gè)題材中，不會(huì)出現(xiàn)在“金戈鐵馬”、“對(duì)酒當(dāng)歌”、“悼亡故人”等其他詩(shī)歌題材中。
根據(jù)筆者在前文中的定義，寫(xiě)景、摹物、抒情、記事、明理皆是“題材”，這里的熱門(mén)題材甄別采取“抓大放小”的原則。此外，雖然聚類出的結(jié)果較為理想，但還是存在些許噪音，比如，出現(xiàn)少許跟題材相關(guān)性不強(qiáng)的詞匯、題材區(qū)分度較低的詞匯、詞匯簇群中的詞匯過(guò)少（如低于10個(gè)）等，這些都是需要被刨除掉的情況。經(jīng)過(guò)筆者的仔細(xì)甄別，共甄別出23個(gè)熱門(mén)詩(shī)歌題材，分別是山川巍峨、田園躬耕、羈旅思鄉(xiāng)、金戈鐵馬、詠史懷古、詠物抒懷、贈(zèng)友送別、愛(ài)情閨怨、悼亡故人、樓船畫(huà)舫、花開(kāi)荼蘼、對(duì)酒當(dāng)歌、騏驥駿馬、得道修仙、世事變遷、靜悟禪機(jī)、壯懷激烈、云游四方、黯然神傷、星宿璀璨、報(bào)效君恩、嚶嚶鳥(niǎo)語(yǔ)、蓑笠綸竿等，當(dāng)然這些并不是全部的題材，限于筆者學(xué)識(shí)，仍然有大量題材沒(méi)有發(fā)掘出來(lái)。枚舉部分結(jié)果如下：在這一環(huán)節(jié)，筆者根據(jù)對(duì)詩(shī)歌背景知識(shí)的了解，篩選出部分熱門(mén)詩(shī)歌題材，并形成題材對(duì)應(yīng)的關(guān)鍵詞規(guī)則體系，后續(xù)可用于對(duì)這54萬(wàn)余首詩(shī)歌進(jìn)行基于關(guān)鍵詞的詩(shī)歌題材分類。值得注意的是，由于這一環(huán)節(jié)挑選關(guān)鍵詞過(guò)于苛刻，導(dǎo)致數(shù)量較少，規(guī)則體系不甚健全。所以，在對(duì)詩(shī)歌語(yǔ)料庫(kù)進(jìn)行正式的詩(shī)歌題材分類前，筆者需要使用一些“小手段”，對(duì)上述熱門(mén)題材的關(guān)鍵詞規(guī)則進(jìn)行擴(kuò)充。5 根據(jù)線性分類器特征延伸關(guān)鍵詞在這里，筆者先利用已得到的熱門(mén)題材分類體系及其關(guān)鍵詞規(guī)則給這54萬(wàn)余首詩(shī)歌打上題材標(biāo)簽，允許出現(xiàn)同一首詩(shī)歌命中多個(gè)標(biāo)簽的情形。除去其中未命中題材標(biāo)簽的數(shù)據(jù)，共計(jì)443,589行，其中多數(shù)詩(shī)歌打上了2個(gè)及以上的題材標(biāo)簽。有了帶標(biāo)簽的數(shù)據(jù)以后，筆者將多標(biāo)簽問(wèn)題轉(zhuǎn)換為單標(biāo)簽問(wèn)題，再將上述詩(shī)歌文本及其對(duì)應(yīng)的標(biāo)簽“喂進(jìn)”線性分類器，根據(jù)線性分類器的權(quán)重來(lái)找到每個(gè)類別下最具代表性的詞匯，也就是題材專有性詞匯。這里選擇線性分類器而不是時(shí)下流行的深度學(xué)習(xí)分類器的原因就在于它的可解釋性，能讓我們清楚的知道是哪些顯著的特征（此處是詞匯）讓詩(shī)歌分到這個(gè)題材類別下的。其大致原理如下圖所示：在筆者測(cè)試的眾多線性分類器中，即RandomForestClassifier、Perceptron、PassiveAggressiveClassifier、MultinomialNB、RidgeClassifier、SGDClassifier，RidgeClassifier的區(qū)分效果最好，其F1_score為0.519，鑒于是詞袋模型，語(yǔ)義表示較為簡(jiǎn)單，且原本是多標(biāo)簽分類任務(wù)，這個(gè)結(jié)果尚可接受。基于RidgeClassifier的特征詞匯權(quán)重的降序排列結(jié)果，可得到上述23個(gè)熱門(mén)詩(shī)歌題材分類中的若干題材專有性詞匯，部分結(jié)果展示如下：這樣，各個(gè)類別各取TOP500詞匯，經(jīng)過(guò)筆者的甄別和梳理后，各個(gè)題材關(guān)鍵詞規(guī)則得到了不同程度的擴(kuò)充，使得該分類標(biāo)簽體系可以較好的輔助完成詩(shī)歌題材多標(biāo)簽分類任務(wù)，且后續(xù)可以結(jié)合分類結(jié)果做不斷的擴(kuò)充。基于這個(gè)更加完善的詩(shī)歌題材分類體系，筆者運(yùn)行完之后得到58W+行數(shù)據(jù)，在之前的基礎(chǔ)上增加了14W+行數(shù)據(jù)，數(shù)據(jù)規(guī)模提升明顯！至此，筆者第一個(gè)目標(biāo)，即熱門(mén)詩(shī)歌題材標(biāo)簽語(yǔ)料庫(kù)構(gòu)建完畢，后續(xù)的文本挖掘任務(wù)可以在此基礎(chǔ)上進(jìn)行。由分類標(biāo)簽及其分類模型反向推導(dǎo)其中最具代表性的特征詞匯，這是一個(gè)“數(shù)據(jù)--->規(guī)律”的歸納過(guò)程，很好的體現(xiàn)了數(shù)據(jù)驅(qū)動(dòng)思維；而模型將學(xué)習(xí)歸納得到的“經(jīng)驗(yàn)”推廣到新樣本的標(biāo)簽預(yù)測(cè)任務(wù)中，則體現(xiàn)了“規(guī)則--->數(shù)據(jù)”的演繹過(guò)程。6 基于分類標(biāo)簽的各類統(tǒng)計(jì)分析針對(duì)上述58W+行數(shù)據(jù)構(gòu)成的詩(shī)歌題材語(yǔ)料庫(kù)，將其中的題材分類標(biāo)簽和各類meta data（如風(fēng)格、朝代、作者等）做交叉分析，得到很多有意思的分析結(jié)果。將詩(shī)歌數(shù)據(jù)集的風(fēng)格標(biāo)簽和題材標(biāo)簽進(jìn)行交叉列表的成分占比分析，得到的結(jié)果如下：其中，可以發(fā)現(xiàn)一些明顯的統(tǒng)計(jì)描述性特征：
- “贈(zèng)友送別”和“嚶嚶鳥(niǎo)語(yǔ)”這兩個(gè)題材在所有詩(shī)歌風(fēng)格中的占比都較高，是兩個(gè)較為“熱門(mén)”的題材；
- “悼亡故人”和“壯懷激烈”這兩個(gè)題材在所有詩(shī)歌風(fēng)格中的占比都較低，是兩個(gè)較為“冷門(mén)”的題材。
前面的詩(shī)歌題材分類是多標(biāo)簽分類，也就是可能會(huì)出現(xiàn)同一首詩(shī)歌對(duì)應(yīng)多個(gè)題材標(biāo)簽的情況。在這種情況下，我們可以進(jìn)行題材標(biāo)簽的共現(xiàn)分析，也就是多次同時(shí)出現(xiàn)的題材標(biāo)簽，它們之間會(huì)存在一定的關(guān)聯(lián)性?，F(xiàn)對(duì)標(biāo)簽共現(xiàn)的情況進(jìn)行建模，得到的結(jié)果可視化呈現(xiàn)如下所示：上圖中，線條的粗細(xì)表示共現(xiàn)的頻次多寡，越粗表示共現(xiàn)頻次越高，反之越低。其中，有幾對(duì)標(biāo)簽對(duì)的共現(xiàn)頻率較高：其中，“黯然神傷”和“世事變遷”的相關(guān)性最高，這個(gè)很好理解，畢竟“物是人事事休，欲語(yǔ)淚先流”，類似因感嘆逝事而傷感的詩(shī)句還有“人世幾回傷往事，山形依舊枕寒流”、“一生事業(yè)總成空，半世功名在夢(mèng)中”；“羈旅思鄉(xiāng)”和“世事變遷”之間的相關(guān)性第二高，此類的詩(shī)句有“少小離家老大回，鄉(xiāng)音無(wú)改鬢毛衰”、“去日兒童皆長(zhǎng)大，昔年親友半凋零”等。此外，我們也可以發(fā)現(xiàn)，在出現(xiàn)2個(gè)及兩個(gè)以上題材標(biāo)簽的詩(shī)歌中，“世事變遷”和其他題材同時(shí)出現(xiàn)的概率很大：世事變遷可能導(dǎo)致詩(shī)人黯然神傷；也可能是戰(zhàn)爭(zhēng)導(dǎo)致兵連禍結(jié)，產(chǎn)生出“興，百姓苦，亡，百姓苦”的感慨；抑或是“桃李春風(fēng)一杯酒，江湖夜雨十年燈”的對(duì)酒當(dāng)歌。筆者將詩(shī)歌數(shù)據(jù)集中的朝代按照時(shí)間順序由遠(yuǎn)及近進(jìn)行排列，并合并其中年代接近的朝代，將其與23個(gè)熱門(mén)詩(shī)歌題材做（占比）交叉分析，得到下圖：在上圖中，可以分別從橫向維度（朝代）和縱向（詩(shī)歌題材）維度來(lái)看。從橫向維度上看，有兩個(gè)題材經(jīng)久不衰，即“贈(zèng)友送別”和“嚶嚶鳥(niǎo)語(yǔ)”。古時(shí)候由于交通不便，通信極不發(fā)達(dá)，親人朋友之間往往一別數(shù)載難以相見(jiàn)，所以古人特別看重離別。離別之際，人們往往設(shè)酒餞別，折柳相送，有時(shí)還要吟詩(shī)話別，因此“贈(zèng)友送別”就成為古代文人吟詠的一個(gè)永恒的題材。在這濃濃的感傷之外，往往還有其他寄寓：或用以激勵(lì)勸勉，如“莫愁前路無(wú)知己，天下誰(shuí)人不識(shí)君”；或用以抒發(fā)友情，如“桃花潭水深千尺，不及汪倫送我情”；或用于寄托詩(shī)人自己的理想抱負(fù)，如“洛陽(yáng)親友如相問(wèn)，一片冰心在玉壺”；甚至洋溢著積極向上的青春氣息，充滿希望和夢(mèng)想，如“海內(nèi)存知己，天涯若比鄰”。“嚶嚶鳥(niǎo)語(yǔ)”題材的詩(shī)歌一般用“比興”的手法來(lái)寄寓自己的情感，筆者所了解的有兩類：一是通過(guò)寫(xiě)鳥(niǎo)語(yǔ)描摹詩(shī)人淡薄、回歸山野自然的平靜心境，這方面的詩(shī)王摩詰寫(xiě)的最多，如“月出驚山鳥(niǎo)，時(shí)鳴春澗中”、“漠漠水田飛白鷺，陰陰夏木囀黃鸝”、“雉雊麥苗秀，蠶眠桑葉稀”等；二是通過(guò)子規(guī)（杜鵑）、鴻雁等意象來(lái)表達(dá)詩(shī)人淡淡的憂傷，如“楊花落盡子規(guī)啼，聞道龍標(biāo)過(guò)五溪”的依依惜別之情、“兩邊山木合，終日子規(guī)啼”的思鄉(xiāng)歸家之情、“雁盡書(shū)難寄，愁多夢(mèng)不成”的思君心切...從縱向維度上看，隋末唐初時(shí)期除了上述提及的兩大熱門(mén)題材外，關(guān)于“報(bào)效君恩”題材的詩(shī)歌占比較高。彼時(shí)適逢華夏第三次大一統(tǒng)，“貞觀之治”、“開(kāi)元之治”這兩大盛世榮耀大唐在“朕即國(guó)家”的時(shí)代，廣大熱血青年渴望馳騁疆場(chǎng)，建功立業(yè)，報(bào)效國(guó)家。此外，筆者也注意到，從金代到到當(dāng)代，“花開(kāi)荼蘼”、“羈旅思鄉(xiāng)”、“金戈鐵馬”和“靜悟禪機(jī)”等題材就一直葆有較高的熱度，結(jié)合前面提及的2大經(jīng)久不衰的詩(shī)歌題材，這表明這段時(shí)期的詩(shī)歌創(chuàng)作方向具有一定的延續(xù)性。從上表中，我們能有一些發(fā)現(xiàn)，但如果想更獲取一些更深層次、潛藏在表層數(shù)據(jù)中的信息，我們還需要用高階的數(shù)據(jù)挖掘方法將其轉(zhuǎn)換一下。在這里，筆者使用多元對(duì)應(yīng)分析的方法將其高維表示（也就是上面的21*23維的圖表）映射為二維表示（分解為2個(gè)二維矩陣，題材為23*2，朝代為21*2），從而更直觀的揭示出詩(shī)歌題材之間、詩(shī)歌題材與朝代之間的關(guān)聯(lián)關(guān)系，如下圖所示：在上圖中，有兩類坐標(biāo)---外圍有半徑圓圈的紅色點(diǎn)是朝代的，“x”的詩(shī)歌題材的坐標(biāo)。漢代的坐標(biāo)“孤懸海外”是因?yàn)閿?shù)據(jù)量過(guò)小，統(tǒng)計(jì)特征不甚明顯，故筆者在這里不做分析。在圖的左上角，魏晉、南北朝、隋末唐初、隋這幾個(gè)朝代的圓圈重合度較高，說(shuō)明它們的詩(shī)歌題材數(shù)量分布較為相似，聯(lián)想到這幾個(gè)朝代前后相繼，這又一次體現(xiàn)了詩(shī)歌創(chuàng)作具有時(shí)代延續(xù)性的特征。同樣，唐代及其以后的圓圈呈“扎堆狀”，標(biāo)明它們的詩(shī)歌寫(xiě)作題材的數(shù)量分布較為相似，反映出唐以降的朝代在詩(shī)歌創(chuàng)作題材方面的差異度較小，題材創(chuàng)作方向的創(chuàng)新性不高。究其原因，在于詩(shī)歌在唐代已經(jīng)進(jìn)化到“究極狀態(tài)”：唐詩(shī)的題材和意境也幾乎無(wú)所不包,修辭手段的運(yùn)用已達(dá)到爐火純青的程度。它不僅繼承了漢魏民歌、樂(lè)府傳統(tǒng)，并且大大發(fā)展了歌行體的樣式；不僅繼承了前代的五、七言古詩(shī)，并且發(fā)展為敘事言情的長(zhǎng)篇巨制；不僅擴(kuò)展了五言、七言形式的運(yùn)用，還創(chuàng)造了風(fēng)格特別優(yōu)美整齊的近體詩(shī)。近體詩(shī)是當(dāng)時(shí)的新體詩(shī)，它的創(chuàng)造和成熟，是唐代詩(shī)歌發(fā)展史上的一件大事。它把我國(guó)古曲詩(shī)歌的音節(jié)和諧、文字精煉的藝術(shù)特色，推到前所未有的高度，為古代抒情詩(shī)找到一個(gè)最典型的形式，至今還特別為人民所喜聞樂(lè)見(jiàn)。唐詩(shī)代表了中華詩(shī)歌的最高成就，無(wú)疑是中華以及世界文壇上濃墨重彩的筆觸！這對(duì)于想要另辟新境的宋代詩(shī)人來(lái)說(shuō)無(wú)疑是巨大的壓力。正如王安石和魯迅所言：“世間好語(yǔ)言，已被老杜道盡；世間俗語(yǔ)言，已被樂(lè)天道盡”，“我以為一切好詩(shī)，到唐朝已被做完，此后倘非翻出如來(lái)掌心之‘齊天大圣’，大可不必再動(dòng)手了”。7 通過(guò)GPT-2生成表達(dá)流暢的詩(shī)歌從某種程度上講，詩(shī)歌生成是從另一維度對(duì)詩(shī)歌進(jìn)行深度分析。生成什么詩(shī)歌，跟詩(shī)歌生成模型“吃下去”什么是息息相關(guān)的。詩(shī)歌生成模型的“生成”不是“無(wú)源之水”、“無(wú)本之木”，它是在充分學(xué)習(xí)和吸收前人的若干詩(shī)作后，習(xí)得了一定的“創(chuàng)作手法”，因而能生成效果尚可的詩(shī)歌。同時(shí)，我們也能從生成的結(jié)果中發(fā)現(xiàn)詩(shī)歌創(chuàng)作的一些規(guī)律，做一些深入探究。在這一部分，筆者用于訓(xùn)練詩(shī)歌生成模型的語(yǔ)料庫(kù)是基于熱門(mén)題材標(biāo)簽體系得到的帶有題材標(biāo)簽（目前是23個(gè)）的律詩(shī)（七言和五言）和絕句（七言和五言），它們都滿足詩(shī)歌的結(jié)構(gòu)性、音調(diào)性和語(yǔ)義性的要求。這里筆者采用的是GPT2（Generative Pre-Training 2nd），它是一個(gè)無(wú)監(jiān)督語(yǔ)言模型，能夠生成具有連貫性的文本段落，在許多語(yǔ)言建模任務(wù)基準(zhǔn)中取得了領(lǐng)先級(jí)表現(xiàn)（數(shù)據(jù)量級(jí)和參數(shù)量級(jí)擺在那里，當(dāng)然跟它的后浪GPT3不能比...）。而且該模型在沒(méi)有任務(wù)特定訓(xùn)練的情況下，能夠做到初步的閱讀理解、機(jī)器翻譯、問(wèn)答和自動(dòng)摘要。其核心思想可以總結(jié)為“給定越多參數(shù)以及越多樣、越大量的文本，無(wú)監(jiān)督訓(xùn)練一個(gè)語(yǔ)言模型或許就可讓該模型具備更強(qiáng)的自然語(yǔ)言理解能力，并在沒(méi)有任何監(jiān)督的情況下開(kāi)始學(xué)會(huì)解決不同類型的 NLP 任務(wù)”。在文本的詩(shī)歌生成任務(wù)中，筆者從零到一訓(xùn)練一個(gè)詩(shī)歌生成的GPT2模型，力求讓該模型學(xué)習(xí)到詩(shī)歌數(shù)據(jù)集中的各類顯性特征（題材與詩(shī)歌的關(guān)系、詩(shī)歌與風(fēng)格的關(guān)系、藏頭字和詩(shī)歌的關(guān)系等）和隱性特征（主要是詩(shī)歌的韻律），其大致原理如下圖所示：相比3年前筆者寫(xiě)《用文本挖掘剖析近5萬(wàn)首<全唐詩(shī)>》時(shí)用的LSTM詩(shī)歌生成模型，GPT2模型進(jìn)步巨大：- 生成的詩(shī)歌更加通順，每一聯(lián)的出句和入句的銜接也顯得更為自然
- 能成全局（即整首詩(shī)）著眼，記憶能力好，考慮上下文語(yǔ)境，前后生成的詩(shī)句緊密關(guān)聯(lián)，不會(huì)出現(xiàn)“跳題材”的情況
- 能學(xué)習(xí)到詩(shī)歌數(shù)據(jù)中較為隱性的特征，如押韻、平仄、對(duì)仗、疑問(wèn)語(yǔ)氣等
- 因擁有上述3個(gè)優(yōu)勢(shì)，生成的詩(shī)歌“廢品率”大大降低
下面，筆者將呈現(xiàn)GPT2的詩(shī)歌生成能力：例如，生成的詩(shī)歌可能會(huì)和前人寫(xiě)的詩(shī)句有一定的相關(guān)性，但是GPT2模型可以進(jìn)行“魔改”，很難看出直接的“抄襲對(duì)象”，例如以下由GPT2模型生成的七言律詩(shī)，每一聯(lián)都能在語(yǔ)料庫(kù)中找到語(yǔ)義最為接近的一句：戰(zhàn)鼙傳響徹神州，萬(wàn)里中原一白頭。兵后英雄誰(shuí)不死，眼前豪杰已無(wú)憂。
乾坤納納歸天地，歲月悠悠老斗牛。
7.2 人機(jī)詩(shī)歌創(chuàng)作的差異比較詩(shī)歌生成建模大致的原理是：通過(guò)大量詩(shī)歌語(yǔ)料，詩(shī)歌生成模型能學(xué)習(xí)到任一詩(shī)句中相鄰的字詞之間的依賴關(guān)系，比如出現(xiàn)一個(gè)“漠”，GPT2按照學(xué)習(xí)到的經(jīng)驗(yàn)，會(huì)猜測(cè)接下來(lái)會(huì)出現(xiàn)哪個(gè)字，這些字都會(huì)以概率的形式“存放”在GPT2模型的“記憶”之中，如：一般情況下，機(jī)器“作詩(shī)”時(shí)會(huì)選擇過(guò)往出現(xiàn)幾率最高的字，以此類推，直到碰到“終止符”才結(jié)束，逐漸生成整首詩(shī)歌。這是最簡(jiǎn)單的情形，生成的效果也就非常一般，很多時(shí)候是文理不通。為了保證生成效果，一般會(huì)（同時(shí)）用到一些復(fù)雜的生成策略，如Beam Search、Top-k sampling、Top-p sampling（NUCLEUS SAMPLING，核采樣）、Repetition_penalty（對(duì)重復(fù)性進(jìn)行懲罰）、Length_penalty（對(duì)生成過(guò)長(zhǎng)的詩(shī)句進(jìn)行懲罰）等，這樣會(huì)兼顧詩(shī)歌生成的一些其他因素，如流暢度、豐富度、一致性等，詩(shī)歌生成的效果也能得到較大的提升。筆者基于哈佛大學(xué)的GLTR（ Statistical Detection and Visualization of Generated Text）來(lái)探究下機(jī)器和人作詩(shī)時(shí)的一些差異，該工具輸入的是詩(shī)歌，輸出的是機(jī)器和人作的詩(shī)歌的字出現(xiàn)概率分布統(tǒng)計(jì)，我們從中可以發(fā)現(xiàn)詩(shī)歌“煉字”的一些奧秘。筆者試舉一例：在上圖中，色塊的顏色代表的是字所在的概率區(qū)間，紅色代表出現(xiàn)概率TOP10的字，黃色的是TOP100，綠色的是TOP1000，紫色的是TOP10000。從結(jié)果中，我們可以看到機(jī)器作詩(shī)時(shí)，紅色和黃色的字概率分布區(qū)間占比較大，逐字生成時(shí)一般是從頭部的字概率分布中來(lái)取，從而導(dǎo)致會(huì)詩(shī)句生成較為常見(jiàn)的表達(dá)；人創(chuàng)作詩(shī)歌時(shí)，各顏色代表的字概率分布區(qū)間占比較為接近，至少是差異不大，最終導(dǎo)致詩(shī)歌的表達(dá)千變?nèi)f化，不落俗套。古時(shí)詩(shī)人作詩(shī)，重在“煉字”。煉字，指錘煉詞語(yǔ)，指詩(shī)人經(jīng)過(guò)反復(fù)琢磨，從詞匯寶庫(kù)中挑選出最貼切、最精確、最形象生動(dòng)的詞語(yǔ)來(lái)描摹事物或表情達(dá)意。從這個(gè)角度來(lái)看，具有統(tǒng)計(jì)學(xué)意義的“選字”策略基本不可取 --- 不是詞不達(dá)意就是容易落“俗套”。比如，陶淵明的那句“采菊東籬下，悠然見(jiàn)南山”中“見(jiàn)”換成“望”就不好。雖然按從詩(shī)歌數(shù)據(jù)集學(xué)到的概率來(lái)講，“望”在過(guò)往出現(xiàn)的概率遠(yuǎn)大于“見(jiàn)”，但“見(jiàn)”通“”現(xiàn)，有“無(wú)意中看見(jiàn)”的含義，標(biāo)明作者是不經(jīng)意間抬起頭來(lái)看見(jiàn)南山，表達(dá)了整個(gè)詩(shī)句中那種悠然自得的感觸，好像在不經(jīng)意間看到了山中美景，符合“山氣日夕佳，飛鳥(niǎo)相與還”這種非常自然的、非常率真的意境，而“望”則顯得有些生硬。詩(shī)歌翻譯，也就是將文言文色彩濃重、一般人不易看懂的詩(shī)歌翻譯成現(xiàn)代人容易理解的白話文。筆者此處用到的模型是兩個(gè)BERT構(gòu)成的Encoder-Decoder，目標(biāo)是輸入一句或者一首詩(shī)歌，生成相應(yīng)的白話文翻譯。考慮到古現(xiàn)代漢語(yǔ)存在大量詞匯方面的語(yǔ)義延續(xù)性，不像中英互譯這樣，源語(yǔ)句和目標(biāo)語(yǔ)句之間的語(yǔ)義和語(yǔ)法結(jié)構(gòu)差異極大，它們會(huì)有很多共享詞匯，所以訓(xùn)練的語(yǔ)料數(shù)量可以適當(dāng)少些。詩(shī)歌翻譯模型會(huì)從大量的翻譯語(yǔ)句對(duì)中學(xué)習(xí)到它們之間的語(yǔ)義對(duì)應(yīng)關(guān)系，而且是以較為流暢（較理想的情況下）的形式進(jìn)行輸出。以下是簡(jiǎn)要原理圖：筆者編寫(xiě)爬蟲(chóng)采集了某詩(shī)歌分享網(wǎng)站上的若干詩(shī)歌及其翻譯數(shù)據(jù)，經(jīng)清洗后，得到3萬(wàn)條訓(xùn)練語(yǔ)句。部分訓(xùn)練數(shù)據(jù)如下表所示：訓(xùn)練模型后，筆者選取部分未出現(xiàn)在訓(xùn)練集中的語(yǔ)句作為文本翻譯的示例，部分示例如下：【詞】問(wèn)君何事輕離別，一年能幾團(tuán)圓月。楊柳乍如絲，故園春盡時(shí)。（菩薩蠻·問(wèn)君何事輕離別，清，納蘭性德）【翻譯1】你在什么時(shí)候才能夠回家？只有那美麗的桃花已經(jīng)過(guò)去了。【翻譯2】請(qǐng)你問(wèn)我為什么這樣的輕易消失呢？一年里正是三次月下的清明之夜。楊柳剛像絲絲般柔軟，就好似在家鄉(xiāng)春天已經(jīng)快要過(guò)去了。【對(duì)聯(lián)】帝道真如，如今都成過(guò)去事。民心所向，自古都是往來(lái)人。（楊度自挽聯(lián)，上聯(lián)作者是民國(guó)，楊度，下一聯(lián)作者是GPT2）
【翻譯】京城大道實(shí)在了解我的知識(shí)，就像當(dāng)年地方一樣經(jīng)歷過(guò)了。百姓心里依舊保護(hù)著百姓生活世界，自古以來(lái)都是從前人們來(lái)往的人間吧！從結(jié)果上來(lái)看，3萬(wàn)來(lái)句的效果還馬馬虎虎，很多翻譯不是直譯過(guò)來(lái)的，更傾向于“意譯”，機(jī)器翻譯的時(shí)候會(huì)“腦補(bǔ)”一些場(chǎng)景，如對(duì)“山抹微云，...，詩(shī)心韻動(dòng)江樓”的翻譯，機(jī)器能夠“揣摩”出“這時(shí)節(jié)讓人肝腸寸斷”，開(kāi)始“有內(nèi)味”了。如果采用一些手段擴(kuò)充下語(yǔ)料，如將整首詩(shī)歌和對(duì)應(yīng)翻譯逐句拆分、對(duì)白話文部分進(jìn)行文本增強(qiáng)（同義詞替換、隨機(jī)插入、隨機(jī)交換等）和將意譯改為直譯等，訓(xùn)練處的模型可能會(huì)更強(qiáng)大些，翻譯效果能提升不少。結(jié)語(yǔ)通過(guò)上述詩(shī)歌語(yǔ)料庫(kù)分析流程，筆者想說(shuō)一下對(duì)于（文本）數(shù)據(jù)挖掘的一些看法：所謂挖掘，通常帶有“發(fā)現(xiàn)、尋找、歸納、提煉”等內(nèi)涵，既然需要去發(fā)現(xiàn)和提煉，那么，所要找尋的內(nèi)容往往都不是顯而易見(jiàn)的，而是“隱蔽”和“藏匿”于文本之中，或者是人無(wú)法直接在大范圍內(nèi)發(fā)現(xiàn)和歸納出來(lái)的。如果要抽絲剝繭，需要結(jié)合領(lǐng)域知識(shí)（如文中的詩(shī)歌常識(shí)），運(yùn)用多種分析手段（如文中的各類NLU和NLG方法），有時(shí)甚至需要逆向思維（如文中的詩(shī)歌生成），且各類分析最好是一個(gè)前后相繼、互為補(bǔ)充有機(jī)整體，這樣才能以最高的效率來(lái)完成文本數(shù)據(jù)的探索任務(wù)。高長(zhǎng)寬，筆名“蘇格蘭折耳喵”，前新浪微熱點(diǎn)數(shù)據(jù)pm，達(dá)觀數(shù)據(jù)VOC（客戶之聲）產(chǎn)品負(fù)責(zé)人，專注于NLP、文本挖掘、社交媒體數(shù)據(jù)挖掘。
注：本文略有刪減，詳見(jiàn)原文：
https://mp.weixin.qq.com/s/bo14ICYO3G4LCouxXi3ceA
參考資料：
《數(shù)學(xué)與文學(xué)的共鳴》，丘成桐?
《迦陵說(shuō)詩(shī).嘉瑩說(shuō)詩(shī)講稿》， 葉嘉瑩
《文本數(shù)據(jù)管理與分析》，翟成祥
《文本數(shù)據(jù)挖掘》，宗成慶
《古代漢語(yǔ)基礎(chǔ)》，吳鴻清
《詩(shī)詞格律》，王力
《語(yǔ)言的科學(xué)》，諾姆.喬姆斯基
《現(xiàn)代漢語(yǔ)詞匯學(xué)教程》，周薦
《語(yǔ)言的認(rèn)知研究和計(jì)算分析》，袁疏林
《自然語(yǔ)言處理的認(rèn)知方法》，Bernadette Sharp
《自然語(yǔ)言處理入門(mén)》，何晗
https://github.com/Werneror/Poetry
https://github.com/kpu/kenlmhttps://github.com/jiaeyan/Jiayan《Catching a Unicorn with GLTR: A tool to detect automatically generated text》，http://gltr.io
《Better Language Models and Their Implications》，https://openai.com/blog/better-language-models/
《自由度+凝固度+統(tǒng)計(jì)的新詞發(fā)現(xiàn)》，https://blog.csdn.net/qq_39006282/article/details/91357603
實(shí)習(xí)/全職編輯記者招聘ing
加入我們，親身體驗(yàn)一家專業(yè)科技媒體采寫(xiě)的每個(gè)細(xì)節(jié)，在最有前景的行業(yè)，和一群遍布全球最優(yōu)秀的人一起成長(zhǎng)。坐標(biāo)北京·清華東門(mén)，在大數(shù)據(jù)文摘主頁(yè)對(duì)話頁(yè)回復(fù)“招聘”了解詳情。簡(jiǎn)歷請(qǐng)直接發(fā)送至[email protected]
