[轉錄] 用機器學習判定紅樓夢後40回是否曹雪芹

看板Redology作者mited (太郎)時間8年前 (2016/07/06 15:28)推噓17(17推 0噓 7→)

留言24則, 17人參與討論串1/3 (看更多)

張愛玲名言：「紅樓夢看到八十回後，一個個人物都語言無味，面目可憎起來」對岸有人用電腦運算80回前後用詞習慣的改變雖然特徵選取方式尚有可議之處但也呈現出值得參考的觀點知乎：用機器學習判定紅樓夢後40回是否曹雪芹所寫 https://zhuanlan.zhihu.com/p/21421723 作者：黎晨作為一個從沒看過紅樓夢的人，我的大致思路是這樣的： 1.受到全職獵人裡蟻王破解會長無敵招數的啟發，每個人的寫作都有些小習慣，雖然文章前後說的內容會有差別，但是這些用詞的小習慣不容易改變； 2.用開源的分詞工具把全書分詞（python的jieba分詞），然後統計詞頻。把出現頻次超過100次的詞語找出來，人工去掉一些可能因為文章內容造成前後出現不一致的人名、地名 3.然後每一章按照2中的詞頻表，看這一章中出現這些詞語的頻次； 4.前80回、後40回各選15回作為機器學習的數據，讓機器學習這些章節的用詞特點，然後推算其他章節的用詞特點是屬於前80回呢、還是後40回； 5.如果機器根據這些用詞特徵推算的是否屬於後40回的結果跟實際的結果吻合，那麼就說明後40回的寫作風格跟前80回有很大不同，很可能是兩個人寫的；好了，下面我盡量少涉及數學跟編程的知識，來一步步解讀機器學習是怎麼完成這個問題的。生成全書的詞頻表 https://pic4.zhimg.com/86db71e47e3cbd6091906d50c61ab967_b.png

我截取了其中一段的詞頻表。像寶二爺、黛玉笑這種涉及人物的詞語，可能前面戲份多、後面戲份少，所以就不選它們作為用詞習慣的特徵，而像忽然、故、只要、可不是這種承接性質的碎詞，就不太容易會受情節的影響，所以適合選出來作為用詞習慣的特徵。最終，我按照出現從多到少排序，選擇了278個詞作為機器學習的用詞習慣。將120回的詞頻進行統計接下來我把每一回出現這278個詞的頻次統計出來，得到我們給機器學習的樣本。這個樣本的樣子大概是這樣的： https://pic1.zhimg.com/999d0b7e34e5df4f9f00a6bdffec245c_b.png

比如以B行2列舉例，說明在第一回裡面「道」這個動詞，出現了36次。通常我們在進行複雜的事情前，喜歡先簡化問題，或者給自己一些直觀的圖表，以便了解問題。機器學習也是一樣的。我嘗試著在圖上把前80回和後40回習慣用詞出現的頻次畫出來。以第一回為例，x1坐標代表「道」出現多少次，x2坐標代表「說」出現多少次，x3坐標代表「也」出現多少次 ......x280坐標代表「則」出現多少次。什麼？超過三維了，那人類的大腦可是沒辦法理解的啊。沒關係，當我們用燈光照射一個立體的圖時，平面會有它的影子。這個影子雖然沒有立體圖的信息這麼豐富，不過我們看影子還是可以猜出來大致的樣子。對於高緯度的問題，我們也可以用投影的方式來降低緯度。雖然信息損失了不少，不過能給我們一個直觀的感受。 https://pic3.zhimg.com/d89993509cfb2ea46e2fead27df7616e_b.png

這個是120個章節的用詞習慣從278緯降到3維以後的圖，紅色+的點是前80回，藍色o的點是後40回。從這個圖可以直觀地看到，確實在用詞習慣上有明顯的區別。就算我們沒有機器學習工具的幫忙，也可以大膽猜測後40回是出自於另外一個人了。下面我們用機器學習來看精確一點的判斷。機器學習通過課程我大致了解了SVM的原理和簡化版問題的算法實現，不過對於復雜問題我還是沒這個編碼能力的。於是用python的scikit庫來幫助我來完成這個預測。算法的步驟很簡單，前80回、後40回各選15個來餵給機器學習它們的特點，然後把剩下的章節輸入給機器，問它們屬於前80還是後40。 https://pic4.zhimg.com/8269c925992144fa4ab1cc18be09d7af_b.png

看out[44]的結果，代表了機器預測這120回的用詞習慣到底屬不屬於後40回（0為不屬於，1為屬於）。如果你看不懂上面的代碼，沒關係。我告訴你結果好了。機器在學習以後告訴我，如果我把隨便一章的用詞習慣告訴它、但不告訴它到底是前80回還是後40回，那麼機器有95%的把握能猜出它是不是後40回。至此，我們可以很有信心地判斷它們的寫作風格不同。那麼，問題來了，會不會因為是情節的需要所以導致寫作風格不同了呢？情節不同會造成用詞習慣多大的差別？好吧，那我再來做一個旁證。我把另外一部四大名著「三國演義」拿來分析，看看上部跟下部的用詞習慣會不會有比較明顯的差別。 https://pic2.zhimg.com/83a849aba46a550bf5fb9094aa76b121_b.png

這個是三國演義的用詞習慣縮到三維以後的圖，紅色+代表前60部的用詞習慣，藍色o代表後60部的用詞習慣。你可能會說，雖然中間交叉的地方比較多，但是還是可以看出來是有區分的。可如果你比對一下跟紅樓夢的圖，你就會發現紅樓夢的差別會明顯得多。 https://pic2.zhimg.com/c3117edef7f9f8a05672c37fac4a6f59_b.jpg

（紅色+為紅樓夢前80回/三國前60回，藍色o紅樓夢後40回/三國後60回) 最後，用機器學習的方式來說，如果我把三國演義隨便一章的用詞習慣告訴它、但不告訴它到底是前60回還是後60回，那麼機器有7成的把握猜對，這個準確度已經遠遠低於紅樓夢的95%的預測水平。所以，我們用「三國演義」這個旁證來分析，即便是因為情節需要導致的用詞習慣差別也不應該這麼大。所以，我們就更有信心說曹老先生沒有寫後40回了。更多的機器學習有趣的玩法，我會在學習的過程中慢慢嘗試的。以上。 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 220.141.160.87 ※ 文章網址: https://www.ptt.cc/bbs/Redology/M.1467790081.A.319.html

推

Ruthcat

07/06 16:10, , 1^F

07/06 16:10, 1^F

推

Saddy

07/06 17:44, , 2^F

07/06 17:44, 2^F

推

shaple

07/07 09:49, , 3^F

07/07 09:49, 3^F