用机器学习的方法鉴别红楼梦作者

在学界一般认为,《红楼梦》后 40 回并非曹雪芹所著。本文尝试应用机器学习的方法来分析原著文本中作者的用词习惯,从技术角度去说明《红楼梦》前 80 回和后 40 回的写作风格差别,继而可以确认后 40 回非原作者所写。

项目存放在 reality-of-Dream-of-Red-Mansions 。

主要原理

每个作者写作都有自己的用词习惯和风格,即使是故意模仿也会留下很多痕迹。

在文言文中,文言虚词分布均匀,书中每个回目都会出现很多文言虚词,差别在于出现频率不同,我们把文言虚词的出现频率作为特征。

不只文言虚词,还有其他的词在所有回目中出现频率很多。比如对第 80 回进行词频统计,得到

了 172

的 142

我 70

宝玉 65

你 61

道 54

他 51

也 50

着 48

是 40

说 38

这些高频词汇也可以作为特征向量。

本文将 20~29 回(诗词曲比较均衡)作为类别 1 的学习样本,将 110~119 回作为类别 2 的学习样本。

将两个类别的特征向量输入到 SVM(支持向量机) 进行训练得出一个分类模型。再对剩余回目进行分类,看它们分别偏向于哪个类别。

SVM 相关原理参见 NG 的公开课 Machine Learning scikit-learn

相关学术论文参见

施建军. (2011). 基于支持向量机技术的《 红楼梦》 作者研究. 红楼梦学刊, (5), 35-52.

李贤平. (1978).《红楼梦》成书新说. 复旦学报(社会科学版).

特征选取

卡片的背景色需要调出布局工具栏来设置

每个卡片都可以嵌套插入图片或其它模板

[

'之', '其', '或', '亦', '方', '于', '即', '皆', '因', '仍',

'故', '尚', '呢', '了', '的', '着', '一', '不', '乃', '呀',

'吗', '咧', '啊', '把', '让', '向', '往', '是', '在', '越',

'再', '更', '比', '很', '偏', '别', '好', '可', '便', '就',

'但', '儿', # 42 个文言虚词

'又', '也', '都', '要', # 高频副词

'这', '那', '你', '我', '他' # 高频代词

'来', '去', '道', '笑', '说' #高频动词

]

选取常用的 42 个文言虚词和通过词频统计得到的高频使用的词作为特征,分别计算它们在各个回目中出现的频率作为特征向量。

在源码中由 modelBuilder.py 中的 build_feature_vector 函数实现。

目录结构

├── README.md

├── textProcesser.py # 文本处理

├── modelBuilder.py # 模型建立

├── decisionMaker.py # 作出判断

├── neg_trainset.npy # 正例训练集

├── pos_trainset.npy # 负例训练集

├── trainset.npy # 训练集

├── testset.npy # 测试集

├── text

│ ├── redmansions.txt # 原著文本

│ ├── chapter-1 # 按章分开,第一章

│ ├── chapter-n

│ ├── chapter-words-1 # 第一章分词结果

│ ├── chapter-words-n

│ ├── chapter-wordcount-1 # 第一章词频统计结果

│ └── chapter-wordcount-n

使用步骤

运行 textProcesser.py ,将原著文本分为章节,分词,词频统计

运行 modelBuilder.py ,对文本章节提取特征向量,建立分类模型

运行 decisionMaker.py ,对文本进行分类

结论

1~80

[ 1. 1. 1. 1. 1. 2. 2. 1. 1. 2.

2. 1. 1. 1. 1. 1. 1. 1. 1. 1.

1. 1. 1. 1. 1. 1. 1. 1. 1. 1.

1. 1. 1. 1. 1. 1. 1. 1. 1. 1.

1. 1. 1. 1. 1. 1. 1. 1. 1. 1.

1. 1. 1. 1. 1. 1. 1. 1. 1. 2.

2. 2. 1. 1. 1. 1. 1. 2. 1. 1.

1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

81~120

[ 1. 1. 2. 1. 1. 2. 2. 1. 1. 2.

1. 2. 2. 2. 2. 2. 2. 1. 2. 2.

1. 2. 2. 2. 2. 2. 2. 1. 2. 2.

2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]

1 指该回目属于类别 1,2 指该回目属于类别 2。

可以得出结论

前 80 回属于一类,后 40 回属于一类

80 回左右是分界点

后 40 回风格不同于前 80 回

81~120 回中有一些被分成了 1 类,这与特征选取有关,还与使用的原著版本有关。这里的版本是网上下的电子版,版本不明,建议使用人民文学出版社 1982 年出版的《红楼梦》作为研究对象。

1~80 回有一些被分成了 2 类,可能是后 40 回作者在续写过程中对部分章节进行了修改。

参考

http://scikitlearn.org/stable/modules/svm.html#svm

本文链接:http://fuzhii.com/2016/01/16/redmansions/

原文发布于微信公众号 - CDA数据分析师(cdacdacda)

原文发表时间:2016-01-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

自然语言处理全家福:纵览当前NLP中的任务、数据、模型与论文

组合范畴语法(CCG; Steedman, 2000)是一种高度词汇化的形式主义。Clark 和 Curran 2007 年提出的标准解析模型使用了超过 400...

22320
来自专栏大数据文摘

剑桥大学研究院总结:26条深度学习经验

29560
来自专栏AI研习社

利用摇滚乐队学习TensorFlow,Word2Vec模型和TSNE算法

学习“TensorFlow方式”来构建神经网络似乎是开始机器学习的一大障碍。在本教程中,我们将一步一步地介绍使用Kaggle的Pitchfork数据构建Band...

17620
来自专栏计算机视觉战队

资源 | 深度学习入门和学习书籍

最近很多新入门的同学问我到底怎么入门,今天先给大家推荐一些有用的书籍和简单的入门。希望可以给有需要的朋友一些帮助,谢谢! 最近新出一本学习书籍,是我们学校焦李成...

44590
来自专栏专知

CMU邢波教授:基于双向语言模型的生物医学命名实体识别,无标签数据提升NER效果

【导读】生物医学文本挖掘领域近年来受到越来越多的关注,这得益于,科学文章,报告,医疗记录的电子化,使医疗数据更容易得到。这些生物医学数据包含许多生物和医学实体,...

56470
来自专栏数据派THU

教你用机器学习匹配导师 !(附代码)

作者:Zipporah Polinsky-Nagel, Gregory Brucchieri, Marissa Joy, William Kye, Nan Li...

12620
来自专栏人工智能

长时间序贯任务结构的演示学习方法及其在手术机器人中的应用

本文总结了最近三篇论文的结果,这些论文提出了一些可以将更长的任务分解成更短子任务的学习算法。

365100
来自专栏新智元

【NLP2005年以来大突破】语义角色标记深度模型,准确率提升10%

【新智元导读】被称为取得了NLP “2005 年以来首个大突破”的研究报告 Deep Semantic Role Labeling: What Works an...

36030
来自专栏机器学习算法工程师

机器学习论文笔记—如何利用高效的搜索算法来搜索网络的拓扑结构

分层表示高效的架构搜索(HIERARCHICAL REPRESENTATIONS FOR EFFICIENT ARCHITECTURE SEARCH)这篇文章讲...

18420
来自专栏华章科技

干货 ▏用机器学习的方法鉴别红楼梦作者

在学界一般认为,《红楼梦》后 40 回并非曹雪芹所著。本文尝试应用机器学习的方法来分析原著文本中作者的用词习惯,从技术角度去说明《红楼梦》前 80 回和后 40...

8430

扫码关注云+社区

领取腾讯云代金券