一部《全唐诗》里有四万多首诗,也许穷尽我们一生都无法全部读完,不过,在这个大数据时代,有人发明了《全唐诗》的另类读法。当《全唐诗》遇上“大数据”,结果会怎样? 《全唐诗》中出现频率最高的字:人 对《全唐诗》采取逐字切分的处理方式,同时去掉一些常见的虚词,如“之乎者也”。经过文本预处理后,就可以进行文本挖掘中最常规的分析——字频统计。 出人意料的是,《全唐诗》中出现最多的不是风花雪月,而是“人”。 李白有很多故人,他说“故人西辞黄鹤楼” 杜甫感叹着人生,他写“人生有情泪沾臆” 白居易爱管人间之事,他愿“天上人间会相见” “人”,是唐诗的魂魄 《全唐诗》中最常见的148个字排名如下: 《全唐诗》中出现最多的季节:春 这个,你可能已经猜到了吧 春天万物生发,确实让人有写诗的欲望 看见山山水水,别犹豫,写一首 看见花花草草,别客气,写一首 看见春游的美人,那更是要写一首的 春,是唐诗的梦幻 《全唐诗》中出现最多的颜色:绿、白 找了51个古语中常用的颜色的单字 注意是古汉语语境中的颜色称谓 主要的色系有—— 红色系(红、丹、朱、赤、绛等) 黑色系(暗、玄、乌、冥、墨等) 绿色系(绿、碧、翠、苍等) 白色系(白、素、皎、皓等) 这些颜色及其对应的字频如下表所示: 这里面“白”字的字频最高 本意是“日出与日落之间的天色” 常见的有“白发”、“白云”、“白雪” 常渲染出一种韶华易逝、悲凉的气氛 白发三千丈,缘愁似个长 乘兴轻舟无近远,白云明月吊湘娥 居延城外猎天骄,白草连天野火烧 将上述主要的色系综合统计一下 得到下面的环形占比图: 在《全唐诗》的色谱上,出现最多的色系是绿色系 “绿树”“碧水”“苍松”“翠柳” 这些高频字从侧面反映出全唐诗中描写景物、寄情山水的诗句占比很大,透露出平静、清新和闲适之感。 《全唐诗》中的绿色, 是“绿树村边合,青山郭外斜” 是“客路青山外,行舟绿水前” 绿得自然,绿得惬意 白,绿,是唐诗的基准色 经过程序猿小哥哥的神秘运算, 以下是TOP200的共现双字词: 从上面的双词探测结果中,可以发现如下6类成词规律: (1)复合式(A+B等于C):由两个字组成,这两个字分别代表意义,组成双音节的词,这类词出现的频次最多。比如,弟兄、砧杵、纪纲、捐躯、巡狩、犬吠。 (2)重叠式(AA等于A): 琅琅、肃肃、忻忻、灼灼。 (3)叠音(AA不等于A):琅琅(单独拆开不能组其他词)、的的(拆开后的单字的词义不同)等。 (4)双声(声母相同): 踌躇(声母都是c,分开各自无法组词)、参差(声母都是c)、缅邈(声母都是m)。 (5)叠韵(韵母相同):噫嘻(韵母是i)、缭绕(韵母是ao)、妖娆(韵母是ao)等。 (6)双音节拟声词:歔欷、咿哑等。 《全唐诗》中最重要的字眼是什么? 选取高频字的TOP148抽取共现关系,可以看到,上述的语义网络可以分为3个簇群,即橙系、紫系和绿系,TOP148高频字中,字体清晰可见字的近40个。圆圈的大小表示该字在语义网络中的影响力大小,在诗句中,这些字常以“字眼”的形式呈现,也就是诗文中精要的字。 橙系:北、流、马、草、闲、孤、逢、云等; 紫系:游、树、雨、回、笑、言、幽、清、白、野、行等 绿系:知、金、柳、难、愁、旧、仙、望、客。 其中,根据字的构成来看,绿系簇群中的字大多跟送别(好友)有关。 唐诗中出现最多的感情:悲 分析全唐诗中所表达出来的内在境界,也就是内在情感,为了丰富分析维度,采用7种细颗粒的情绪分类,即悲、惧、乐、怒、思、喜、忧。根据上面获取到的字向量,经过人工遴选后,得到可以用于训练的“情绪字典”,根据诗歌中常见的主题类别,七种情绪类别分为:
对《全唐诗》近5万首诗的情绪分析结果,展示如下: 出乎很多人的意料,代表大唐气象的唐诗应该以积极昂扬的情绪为主,可最后却是“悲”“思”“忧”这样的情绪占据主流,而 “喜”“乐”这样的情绪却占据末流! “天地悠悠”是悲情的 “落木萧萧”是悲凉的 “黄沙百战”是悲壮的 “彩云易散”是悲伤的 悲,是唐诗的筋骨 《全唐诗》VS《全宋词》VS《全元曲》 从上面呈现的TOP10高频字和象限区块(左上角“唐诗”、右上角“宋词”和正下方“元曲”)来看,唐诗、宋词、元曲中出现的独有高频字依次是:
从上面的关键字来看,唐诗、宋词和元曲各自的特征很鲜明:
终极玩法:用深度循环神经网络自动写唐诗 由于其中的原理过于繁复,涉及大量的code和数学公式,故仅展示生成的结果,训练的语料即经过预处理的《全唐诗》。 以“春雨”打头,生成500字的诗词,结果如下: 可以看见,其中的诗词大都围绕着“春”来展开,也就是打头的两个字引导了后续结果的生成,这多亏了LSTM超强的“记忆能力”---记住了诗歌文本序列中的时空依赖关系。 在生成的诗句中,某些诗句还是蛮有意思的,上下联间的意象有很强的相关性。下面是多次生成中产生的较有趣的诗句: 是的,这不是唐朝人写的,是程序猿小哥哥指挥电脑写的!!! 惆怅山林老,相思在白云 寒泉漱玉井,清水浸琉璃 莫言花上月,谁得见芳菲 春风江畔月斜晖,一去山河一别离 谁念东西无限事,可怜杨柳从春风 …… 这些句子看着还不错呢,怎么样?你和你的小伙伴是不是已经惊呆了? 计算机也许永远无法比过李白和杜甫,但它总归是人类前进的方向,用大数据玩《全唐诗》,给我们提供了无限的可能,读完你会发现,文科与理科,在诗的世界里并没有那么泾渭分明,对审美的追求,对诗性的渴望,是每一个人心中固有的基因。 |
|