张爱玲名言：「红楼梦看到八十回後，一个个人物都语言无味，面目可憎起来」 对岸有人用电脑运算80回前後用词习惯的改变 虽然特徵选取方式尚有可议之处 但也呈现出值得参考的观点 知乎：用机器学习判定红楼梦後40回是否曹雪芹所写 https://zhuanlan.zhihu.com/p/21421723 作者：黎晨 作为一个从没看过红楼梦的人，我的大致思路是这样的： 1.受到全职猎人里蚁王破解会长无敌招数的启发，每个人的写作都有些小习惯，虽然文章 前後说的内容会有差别，但是这些用词的小习惯不容易改变； 2.用开源的分词工具把全书分词（python的jieba分词），然後统计词频。把出现频次超 过100次的词语找出来，人工去掉一些可能因为文章内容造成前後出现不一致的人名、 地名 3.然後每一章按照2中的词频表，看这一章中出现这些词语的频次； 4.前80回、後40回各选15回作为机器学习的数据，让机器学习这些章节的用词特点，然後 推算其他章节的用词特点是属於前80回呢、还是後40回； 5.如果机器根据这些用词特徵推算的是否属於後40回的结果跟实际的结果吻合，那麽就说 明後40回的写作风格跟前80回有很大不同，很可能是两个人写的； 好了，下面我尽量少涉及数学跟编程的知识，来一步步解读机器学习是怎麽完成这个问题 的。 生成全书的词频表 https://pic4.zhimg.com/86db71e47e3cbd6091906d50c61ab967_b.png 我截取了其中一段的词频表。像宝二爷、黛玉笑这种涉及人物的词语，可能前面戏份多、 後面戏份少，所以就不选它们作为用词习惯的特徵，而像忽然、故、只要、可不是这种承 接性质的碎词，就不太容易会受情节的影响，所以适合选出来作为用词习惯的特徵。 最终，我按照出现从多到少排序，选择了278个词作为机器学习的用词习惯。 将120回的词频进行统计 接下来我把每一回出现这278个词的频次统计出来，得到我们给机器学习的样本。这个样 本的样子大概是这样的： https://pic1.zhimg.com/999d0b7e34e5df4f9f00a6bdffec245c_b.png 比如以B行2列举例，说明在第一回里面「道」这个动词，出现了36次。 通常我们在进行复杂的事情前，喜欢先简化问题，或者给自己一些直观的图表，以便了解 问题。机器学习也是一样的。 我尝试着在图上把前80回和後40回习惯用词出现的频次画出来。以第一回为例，x1坐标代 表「道」出现多少次，x2坐标代表「说」出现多少次，x3坐标代表「也」出现多少次 ......x280坐标代表「则」出现多少次。 什麽？超过三维了，那人类的大脑可是没办法理解的啊。 没关系，当我们用灯光照射一个立体的图时，平面会有它的影子。这个影子虽然没有立体 图的信息这麽丰富，不过我们看影子还是可以猜出来大致的样子。对於高纬度的问题，我 们也可以用投影的方式来降低纬度。 虽然信息损失了不少，不过能给我们一个直观的感受。 https://pic3.zhimg.com/d89993509cfb2ea46e2fead27df7616e_b.png 这个是120个章节的用词习惯从278纬降到3维以後的图，红色+的点是前80回，蓝色o的点 是後40回。 从这个图可以直观地看到，确实在用词习惯上有明显的区别。就算我们没有机器学习工具 的帮忙，也可以大胆猜测後40回是出自於另外一个人了。 下面我们用机器学习来看精确一点的判断。 机器学习 通过课程我大致了解了SVM的原理和简化版问题的算法实现，不过对於复杂问题我还是没 这个编码能力的。於是用python的scikit库来帮助我来完成这个预测。 算法的步骤很简单，前80回、後40回各选15个来喂给机器学习它们的特点，然後把剩下的 章节输入给机器，问它们属於前80还是後40。 https://pic4.zhimg.com/8269c925992144fa4ab1cc18be09d7af_b.png 看out[44]的结果，代表了机器预测这120回的用词习惯到底属不属於後40回（0为不属於 ，1为属於）。 如果你看不懂上面的代码，没关系。我告诉你结果好了。 机器在学习以後告诉我，如果我把随便一章的用词习惯告诉它、但不告诉它到底是前80回 还是後40回，那麽机器有95%的把握能猜出它是不是後40回。 至此，我们可以很有信心地判断它们的写作风格不同。 那麽，问题来了，会不会因为是情节的需要所以导致写作风格不同了呢？ 情节不同会造成用词习惯多大的差别？ 好吧，那我再来做一个旁证。我把另外一部四大名着「三国演义」拿来分析，看看上部跟 下部的用词习惯会不会有比较明显的差别。 https://pic2.zhimg.com/83a849aba46a550bf5fb9094aa76b121_b.png 这个是三国演义的用词习惯缩到三维以後的图，红色+代表前60部的用词习惯，蓝色o代表 後60部的用词习惯。 你可能会说，虽然中间交叉的地方比较多，但是还是可以看出来是有区分的。 可如果你比对一下跟红楼梦的图，你就会发现红楼梦的差别会明显得多。 https://pic2.zhimg.com/c3117edef7f9f8a05672c37fac4a6f59_b.jpg （红色+为红楼梦前80回/三国前60回，蓝色o红楼梦後40回/三国後60回) 最後，用机器学习的方式来说，如果我把三国演义随便一章的用词习惯告诉它、但不告诉 它到底是前60回还是後60回，那麽机器有7成的把握猜对，这个准确度已经远远低於红楼 梦的95%的预测水平。 所以，我们用「三国演义」这个旁证来分析，即便是因为情节需要导致的用词习惯差别也 不应该这麽大。 所以，我们就更有信心说曹老先生没有写後40回了。 更多的机器学习有趣的玩法，我会在学习的过程中慢慢尝试的。以上。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 220.141.160.87 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Redology/M.1467790081.A.319.html ※ nikolas:转录至看板 Python 07/07 14:18