※ [本文轉錄自 Redology 看板 #1NVBC1CP ]
作者: mited (太郎) 看板: Redology
標題: [轉錄] 用機器學習判定紅樓夢後40回是否曹雪芹
時間: Wed Jul 6 15:27:56 2016
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。