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 和 scikit-learn 库
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
['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://scikit-learn.org/stable/modules/svm.html#svm
China Hadoop大数据研究网:
http://chinahadoop.com/
中国hadoop技术峰会2016北京站报名参会网站:
http://www.chinahadoop.com/signup.php(也可点击阅读原文来了解详情)
门票价格表
微信名:
HadoopSummit
微信ID:
hadoopinchina
中国Hadoop技术峰会是亚太地区举办最早、规模最大、影响力最广阔的大数据盛会。
Chinahadoop.com是China Hadoop Summit的内容网站。
HadoopSummit是Chinahadoop.com的微信发布平台。