※ 引述《mited (太郎)》之铭言：
: 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。
[1] 如同bauss版友在推文中所说：
→ bauss: 杜协昌博士在四年前的数位典藏与数位人文研讨会 07/07 14:02
→ bauss: 发过〈利用文本采矿探讨《红楼梦》的后四十回作者争议〉 07/07 14:02
→ bauss: 利用断词跟词频分析的方法也几乎一样?
我在2012年左右在中研院
看过一个挂了一整年的壁报
便是用这样的方法分析红楼梦前80后40，还有三国演义的语词频率分析
其中介词的使用频度是很重要的关键
作图比较也是制作成3维，使用很像目前的接口所呈现
[2] 抱歉很久没用了不会缩网址
http://www.dadh-record.digital.ntu.edu.tw/config_xml/2012config/programINFO/pdf/paper03_01.pdf
利用文本采矿探讨《红楼梦》的后四十回作者争议 (PPT)
DADHIC (2012)
杜协昌 2012-11-30
杜协昌
学历
‧国立台湾大学资讯工程研究所博士
‧美国马里兰大学 (University of Maryland, College Park) 资讯科学系硕士
‧国立台湾大学电机工程学系学士
研究方向
‧THDL 的抽象模型与系统实作
‧*[1;35m数位人文学 (Digital Humanities)*[0m
‧计算理论，以及一些感兴趣的小问题
https://sites.google.com/a/lab303.csie.ntu.edu.tw/www/cheng-yuan-jie-shao
[3]
这是我记忆中2012看过的会议成果壁报的实际会议日期：
我记得壁报中有非常相似的3D图，目前手边的资讯只能证明此会议存在
google 杜协昌 红楼梦 库页存盘：
http://webcache.googleusercontent.com/search?q=cache:TSh-Lcv0DhAJ:www.caigou.com.cn/lib/ziliao_detail.asp%3Fid%3D27445+&cd=10&hl=zh-TW&ct=clnk&gl=tw
首页>>会议资料>>利用文本采矿探讨《红楼梦》的后四十回作者争议
利用文本采矿探讨《红楼梦》的后四十回作者争议
主 讲： 杜协昌
所属会议： 2012第四届数字典藏与数位人文国际研讨会
会议时间： 2012年11月29日-11月30日
会议地点： 国立台湾大学法律学院霖泽馆 国际会议厅
[4]
这个结果更早就被数位典藏出版了
http://www.press.ntu.edu.tw/?act=book&refer=ntup_book00714
数位人文研究与技艺
项洁 编
项洁，陈丽华，王汎森 等著
2014年04月
精装 / 25*17.5cm / 232页 / 单色(黑) / 中文
利用文本采矿探讨《红楼梦》的后四十回作者争议
A Text-Mining Approach to the Authorship Attribution Problem of Dream of the
Red Chamber
◆杜协昌
***************************************************
这个黎晨
引用别人内容，完全参照研究方法却不标明出处
如果有当年壁报资料的人，麻烦再帮忙查查他的3D词频分析图是否横纵轴单位一样
我记得当年看到的资料，几乎是完全相同的分析方向，图的分布形状也相当的相似
所以我质疑的核心是，那个3D的分析真的是他做的吗
这篇文章很像是起了个头，后面却是做的人也搞不清楚数值是怎么出来
280维为什么不说怎么降成3维，降维的方法如果稍微选不一样，图也都要变很大的
3维之中又为什么有座标轴的范围是-150 ~ +100?