※ [本文转录自 Redology 看板 #1NVBC1CP ]
作者: mited (太郎) 看板: Redology
标题: [转录] 用机器学习判定红楼梦后40回是否曹雪芹
时间: Wed Jul 6 15:27:56 2016
张爱玲名言：“红楼梦看到八十回后，一个个人物都语言无味，面目可憎起来”
对岸有人用电脑运算80回前后用词习惯的改变
虽然特征选取方式尚有可议之处
但也呈现出值得参考的观点
知乎：用机器学习判定红楼梦后40回是否曹雪芹所写
https://zhuanlan.zhihu.com/p/21421723
作者：黎晨
作为一个从没看过红楼梦的人，我的大致思路是这样的：
1.受到全职猎人里蚁王破解会长无敌招数的启发，每个人的写作都有些小习惯，虽然文章
前后说的内容会有差别，但是这些用词的小习惯不容易改变；
2.用开源的分词工具把全书分词（python的jieba分词），然后统计词频。把出现频次超
过100次的词语找出来，人工去掉一些可能因为文章内容造成前后出现不一致的人名、
地名
3.然后每一章按照2中的词频表，看这一章中出现这些词语的频次；
4.前80回、后40回各选15回作为机器学习的数据，让机器学习这些章节的用词特点，然后
推算其他章节的用词特点是属于前80回呢、还是后40回；
5.如果机器根据这些用词特征推算的是否属于后40回的结果跟实际的结果吻合，那么就说
明后40回的写作风格跟前80回有很大不同，很可能是两个人写的；
好了，下面我尽量少涉及数学跟编程的知识，来一步步解读机器学习是怎么完成这个问题
的。
生成全书的词频表
https://pic4.zhimg.com/86db71e47e3cbd6091906d50c61ab967_b.png
我截取了其中一段的词频表。像宝二爷、黛玉笑这种涉及人物的词语，可能前面戏份多、
后面戏份少，所以就不选它们作为用词习惯的特征，而像忽然、故、只要、可不是这种承
接性质的碎词，就不太容易会受情节的影响，所以适合选出来作为用词习惯的特征。
最终，我按照出现从多到少排序，选择了278个词作为机器学习的用词习惯。
将120回的词频进行统计
接下来我把每一回出现这278个词的频次统计出来，得到我们给机器学习的样本。这个样
本的样子大概是这样的：
https://pic1.zhimg.com/999d0b7e34e5df4f9f00a6bdffec245c_b.png
比如以B行2列举例，说明在第一回里面“道”这个动词，出现了36次。
通常我们在进行复杂的事情前，喜欢先简化问题，或者给自己一些直观的图表，以便了解
问题。机器学习也是一样的。
我尝试着在图上把前80回和后40回习惯用词出现的频次画出来。以第一回为例，x1坐标代
表“道”出现多少次，x2坐标代表“说”出现多少次，x3坐标代表“也”出现多少次
......x280坐标代表“则”出现多少次。
什么？超过三维了，那人类的大脑可是没办法理解的啊。
没关系，当我们用灯光照射一个立体的图时，平面会有它的影子。这个影子虽然没有立体
图的信息这么丰富，不过我们看影子还是可以猜出来大致的样子。对于高纬度的问题，我
们也可以用投影的方式来降低纬度。
虽然信息损失了不少，不过能给我们一个直观的感受。
https://pic3.zhimg.com/d89993509cfb2ea46e2fead27df7616e_b.png
这个是120个章节的用词习惯从278纬降到3维以后的图，红色+的点是前80回，蓝色o的点
是后40回。
从这个图可以直观地看到，确实在用词习惯上有明显的区别。就算我们没有机器学习工具
的帮忙，也可以大胆猜测后40回是出自于另外一个人了。
下面我们用机器学习来看精确一点的判断。
机器学习
通过课程我大致了解了SVM的原理和简化版问题的算法实现，不过对于复杂问题我还是没
这个编码能力的。于是用python的scikit库来帮助我来完成这个预测。
算法的步骤很简单，前80回、后40回各选15个来喂给机器学习它们的特点，然后把剩下的
章节输入给机器，问它们属于前80还是后40。
https://pic4.zhimg.com/8269c925992144fa4ab1cc18be09d7af_b.png
看out[44]的结果，代表了机器预测这120回的用词习惯到底属不属于后40回（0为不属于
，1为属于）。
如果你看不懂上面的代码，没关系。我告诉你结果好了。
机器在学习以后告诉我，如果我把随便一章的用词习惯告诉它、但不告诉它到底是前80回
还是后40回，那么机器有95%的把握能猜出它是不是后40回。
至此，我们可以很有信心地判断它们的写作风格不同。
那么，问题来了，会不会因为是情节的需要所以导致写作风格不同了呢？
情节不同会造成用词习惯多大的差别？
好吧，那我再来做一个旁证。我把另外一部四大名著“三国演义”拿来分析，看看上部跟
下部的用词习惯会不会有比较明显的差别。
https://pic2.zhimg.com/83a849aba46a550bf5fb9094aa76b121_b.png
这个是三国演义的用词习惯缩到三维以后的图，红色+代表前60部的用词习惯，蓝色o代表
后60部的用词习惯。
你可能会说，虽然中间交叉的地方比较多，但是还是可以看出来是有区分的。
可如果你比对一下跟红楼梦的图，你就会发现红楼梦的差别会明显得多。
https://pic2.zhimg.com/c3117edef7f9f8a05672c37fac4a6f59_b.jpg
（红色+为红楼梦前80回/三国前60回，蓝色o红楼梦后40回/三国后60回)
最后，用机器学习的方式来说，如果我把三国演义随便一章的用词习惯告诉它、但不告诉
它到底是前60回还是后60回，那么机器有7成的把握猜对，这个准确度已经远远低于红楼
梦的95%的预测水平。
所以，我们用“三国演义”这个旁证来分析，即便是因为情节需要导致的用词习惯差别也
不应该这么大。
所以，我们就更有信心说曹老先生没有写后40回了。
更多的机器学习有趣的玩法，我会在学习的过程中慢慢尝试的。以上。