※ 引述《mited (太郎)》之銘言： : 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。 [1] 如同bauss版友在推文中所說： → bauss: 杜協昌博士在四年前的數位典藏與數位人文研討會 07/07 14:02 → bauss: 發過〈利用文本採礦探討《紅樓夢》的後四十回作者爭議〉 07/07 14:02 → bauss: 利用斷詞跟詞頻分析的方法也幾乎一樣? 我在2012年左右在中研院 看過一個掛了一整年的壁報 便是用這樣的方法分析紅樓夢前80後40，還有三國演義的語詞頻率分析 其中介詞的使用頻度是很重要的關鍵 作圖比較也是製作成3維，使用很像目前的介面所呈現 [2] 抱歉很久沒用了不會縮網址 http://www.dadh-record.digital.ntu.edu.tw/config_xml/2012config/programINFO/pdf/paper03_01.pdf 利用文本採礦探討《紅樓夢》的後四十回作者爭議 (PPT) DADHIC (2012) 杜協昌 2012-11-30 杜協昌 學歷 ‧國立臺灣大學資訊工程研究所博士 ‧美國馬里蘭大學 (University of Maryland, College Park) 資訊科學系碩士 ‧國立臺灣大學電機工程學系學士 研究方向 ‧THDL 的抽象模型與系統實作 ‧*[1;35m數位人文學 (Digital Humanities)*[0m ‧計算理論，以及一些感興趣的小問題 https://sites.google.com/a/lab303.csie.ntu.edu.tw/www/cheng-yuan-jie-shao [3] 這是我記憶中2012看過的會議成果壁報的實際會議日期： 我記得壁報中有非常相似的3D圖，目前手邊的資訊只能證明此會議存在 google 杜協昌 紅樓夢 庫頁存檔： http://webcache.googleusercontent.com/search?q=cache:TSh-Lcv0DhAJ:www.caigou.com.cn/lib/ziliao_detail.asp%3Fid%3D27445+&cd=10&hl=zh-TW&ct=clnk&gl=tw 首頁>>會議資料>>利用文本採礦探討《紅樓夢》的後四十回作者爭議 利用文本採礦探討《紅樓夢》的後四十回作者爭議 主 講： 杜協昌 所屬會議： 2012第四屆數字典藏與數位人文國際研討會 會議時間： 2012年11月29日-11月30日 會議地點： 國立臺灣大學法律學院霖澤館 國際會議廳 [4] 這個結果更早就被數位典藏出版了 http://www.press.ntu.edu.tw/?act=book&refer=ntup_book00714 數位人文研究與技藝 項潔 編 項潔，陳麗華，王汎森 等著 2014年04月 精裝 / 25*17.5cm / 232頁 / 單色(黑) / 中文 利用文本採礦探討《紅樓夢》的後四十回作者爭議 A Text-Mining Approach to the Authorship Attribution Problem of Dream of the Red Chamber ◆杜協昌 *************************************************** 這個黎晨 引用別人內容，完全參照研究方法卻不標明出處 如果有當年壁報資料的人，麻煩再幫忙查查他的3D詞頻分析圖是否橫縱軸單位一樣 我記得當年看到的資料，幾乎是完全相同的分析方向，圖的分布形狀也相當的相似 所以我質疑的核心是，那個3D的分析真的是他做的嗎 這篇文章很像是起了個頭，後面卻是做的人也搞不清楚數值是怎麼出來 280維為什麼不說怎麼降成3維，降維的方法如果稍微選不一樣，圖也都要變很大的 3維之中又為什麼有座標軸的範圍是-150 ~ +100? --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 210.59.165.169 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/Redology/M.1467889385.A.DCE.html ※ 編輯: ironsalami (210.59.165.169), 07/07/2016 19:33:01