用文本挖掘分析了5万首《全唐诗》，竟然发现这些秘密

近些年来，弘扬中华传统文化的现象级综艺节目不断涌现，如《中国汉字听写大会》、《中国成语大会》、《中国谜语大会》、《中国诗词大会》等，其背后的社会成因，在于人们对中国文化中最精致文字的膜拜心理，虽然浸淫于层出不穷的网络语汇，时时面临“语言荒漠”的窘境，仍心向往之。

上述节目中，《中国诗词大会》节目通过对诗词知识的比拼及赏析，带动全民重温那些曾经学过的古诗词，分享诗词之美，感受诗词之趣，从古人的智慧和情怀中汲取营养，涵养心灵。

本文中，作者从文本（数据）挖掘的角度去“探索”全唐诗，挑战不同场景下（现代汉语和古汉语）文本处理和分析的异同点，结合数据之美和诗歌之雅，用跨界思维去发现一些有趣的东西。

本文分析的语料是《全唐诗》，它编校于清康熙四十四年（1705年），得诗四万八千九百余首。接下来，作者使用多种文本挖掘方法，来分析《全唐诗》。本文主要分为如下几个部分：

对于现代汉语的分词，开源/免费的解决方案或工具很多，开源的解决方案如Jieba、HanLp、StanfordNLP和IKAnalyzer等，“傻瓜式”的免费操作工具的也有新浪微舆情的文本挖掘工具，如果直接采用这些现代汉语分词工具对古诗词进行分词，结果会是这样的：

然而，对于古汉语（文言文），尤其是诗词的分词处理可没有这么简单，因为单字词占古汉语词汇统计信息的80％以上，再加上古汉语微言大义，字字千钧，所以针对现代汉语的分词技术往往不适用于它。鉴于此种情况，作者采取的是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”。分词和去停用词处理如下所示：

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，看看《全唐诗》中出现最多的字有哪些。

首先，让我们来看看去掉这些虚词之后的全局高频字有哪些，笔者这里展示的是TOP148。“人”字排行第一，这体现了《说文解字》里所讲的“人，天地之性最贵者也”，说明唐诗很好的秉承了“以人为本”的中华文化。而后续的“山”“风”“月”“日”“天”“云”“春”等都是在写景的诗句里经常出现的意象。

所谓“意象”，就是客观物象经过创作主体独特的情感活动而创造出来的一种艺术形象。简单地说，意象就是寓“意”之“象”，就是用来寄托主观情思的客观物象。在比较文学中，意象的名词解释是—所谓“意象”简单说来，可以说就是主观的“意”和客观的“象”的结合，也就是融入诗人思想感情的“物象”，是赋有某种特殊含义和文学意味的具体形象。简单地说就是借物抒情。

比如，“月”这个古诗词里常见的意象，就有如下内涵：

• 表达思乡、思亲念友之情，暗寓羁旅情怀，寂寞孤独之感；

• 历史的见证今昔沧桑感；

• 冷寂、凄清的感觉；

• 清新感 。

这里挑选的意象是关于季节和颜色的。

（１）物转星移几度秋—《全唐诗》中的季节

统计“春”、“夏/暑”、“秋”、“冬”这4个字在《全唐诗》中出现的频次，“春”字排行榜首，“秋”字列第2位，“夏”和“冬”出现的频次则要少1个量级，在唐诗里，伤春、惜春是常见的春诗题材，代表性的作品有朱淑真《赏春》、杜甫《丽春》、韩愈《春雪》、张若虚《春江花月夜》等。也难怪，在商代和西周前期，一年只分为春秋二时，后世也常以春秋作为一年的代称，约定俗成，由来已久，这两个字的使用频率很高也就不足为奇了。

（２）万紫千红一片绿—《全唐诗》中的色彩

这里找了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），其中以红色系（红、丹、朱、赤、绛等）、黑色系（暗、玄、乌、冥、墨等）、绿色系（绿、碧、翠、苍等）及白色系（白、素、皎、皓等）为主，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”，笔者常见的有“白发”、“白云”、“白雪”，常渲染出一种韶华易逝、悲凉的气氛，名句如“白头搔更短，浑欲不胜簪”、“白雪却嫌春色晚，故穿庭树作飞花”、“君不见，高堂明镜悲白发，朝如青丝暮成雪”、 “白云一片去悠悠，青枫浦上不胜愁”。

将上述主要的色系综合统计一下，得到下面的环形占比图：

其中，绿色系的占比居多，“绿”“碧”“苍”“翠”等大都用于写景，“绿树”、“碧水”、“苍松”、“翠柳”等，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。

刚才分析的是单字，而汉语的语素大都是由单音节（字）表示，即所谓的“一音一义”。当这些单音节语素，能够独立应用的话，就是词。古汉语中存在着许多单音节词，这也就是文言文翻译中要经常把一个字翻译成现代汉语中的双音节词的原因。

然而，有些单音节语素，不能够独立使用，就不是词，只能够是语素，如“第-“、”踌-“、”- 们“。

鉴于此，笔者想发现一些唐诗中的常用双字词，看看其中的成词规律是怎样的。笔者在这里选取共现次数超过10次的词汇，并列出TOP200的共现双字词。关键操作步骤如下所示：

以下是TOP200的共现双字词：

从上面的双词探测结果中，笔者可以发现如下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。

在这一部分，抽取的是上述高频字TOP148中的字的共现关系，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，也就是“Betweenness Centrality（中介核心性），”学术的说法是“两个非邻接的成员间的相互作用依赖于网络中的其他成员，特别是位于两成员之间路径上的那些成员，他们对这两个非邻接成员的相互作用具有某种控制和制约作用”。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。3类中：

其中，根据绿系簇群中字的构成来看，可联想到送别（好友）。

因为之前的文本预处理是按字来切分的，所以这里进行的是基于Word2vec的字向量分析。

基于Word2vec的字向量能从大量未标注的普通文本数据中无监督地学习到字向量，而且这些字向量包含了字与字之间的语义关系，正如现实世界中的“物以类聚，类以群分”一样，字可以由它们身边的字来定义。

从原理上讲，基于字嵌入的Word2vec是指把一个维数为所有字的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单字被映射为实数域上的向量。把每个单字变成一个向量，目的还是为了方便计算，比如“求单字A的同义字”，就可以通过“求与单字A在cos距离下最相似的向量”来做到。下面是基于Word2vec的字向量模型原理示意图。

下面，选取一些单字进行字向量关联分析，展示如下：

与“梅”相关的字，大致分为两类：同属植物，如醾、杏、梨、桃、榴、杨、柳、楝等；和“梅”相关的意象，如春（梅）、酴（酒）、（梅）花、（梅）枝、残（梅）、（梅）梢等。

最相关的是“春”，吟咏春梅，在唐诗中极为常见，贤相宋璟在东川官舍见梅花怒放于榛莽中，归而有感，作《梅花赋》，其中，”独步早春，自全其天”，赞赏梅花在早春中一枝独秀，自己安于凌寒而开的天命。

“静”字则跟它的同音字“净（连带繁体，一共出现三次，即“净”、“淨”和“净”）”的相关度最大，结合“坐”、“院”“梵”等字，可联想到“净院”（佛寺，亦称“净宇”）、凈觉（谓心无妄念，对境不迷），这也说明，在唐诗里最能体现静的，还是在寺庙里参禅，感悟佛法。

还想看看唐诗里经常出现的情绪，即“悲”、“忧”、“愁”、“怒”、“惧”，看看它们的相关字有哪些。这里就请读者自行分析。

注意，在这里得到的情绪相关字，笔者将收集整理它们，制成情绪词典，用于后面的诗词情绪分类。

王国维在《人间词话》里曾提到：“境非独谓景物也，喜怒哀乐，亦人心中之一境界。故能写真景物、真感情者，谓之有境界…”，讲的是”境”与”境界”通用—写景亦可成境界，言情亦可成境界，因为景物是外在的世界，情感是内在的世界。所以，在这里想分析一下全唐诗中诗词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，不采用简单的二元分析，即“积极”和“消极”2种情绪，而是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，情绪类别分为：

作者在这里采用的是基于LSTM（LongShort-Term Memory，长短期记忆网络）的情绪分析模型。

在这里，我们会将文本传递给嵌入层（Embedding Layer），因为有数以万计的字词，所以我们需要比单编码向量（One-Hot Encoded Vectors）更有效的表示来输入数据。这里，笔者将使用上面训练得到的Word2vec字向量模型，用预先训练的词嵌入（Word Embedding）来引入的外部语义信息，结合上述整理的情绪字典，做迁移学习（Transfer Learning）。

以下是简要原理展示图：

为了取得更好的效果，作者采用最新的NestedLSTM+Conv1D的深度学习模型来做情绪判断，它能较好的提炼文本里的特征和语序信息，记住更长的语义依赖关系，做出较为精确的情绪判断。其网络结构如下所示：

接着，来试试实际的效果：

随机测试了100句，判断准确的有86条，粗略的准确率估计是86%。当然，这只是一次不太严谨的小尝试，在真实的业务场景里，这得花很多时间来做优化，提高模型的准确率。

下面是对《全唐诗》近5万首诗的情绪分析结果，展示如下：

可能出乎很多人的意料，代表大唐气象的唐诗应该以积极昂扬的情绪为主，怎么会是“悲”、“思”、“忧”这样的情绪占据主流呢？而 “喜”、“乐”这样的情绪却占据末流呢？

接下来，着重来分析下“悲”这个情绪占据主流的原因：

与上面情绪分析模型采用的内部原理一致，这里采用的还是LSTM，2层网络。

上图是文本生成的简要原理图，是基于字符（字母和标点符号等单个字符串，以下统称为字符）进行语言模型构建，也就是说我们的输入和输出都是字符。举个栗子，假如我们有一个一句诗“胸中稳处即吾乡”，我们想要基于这句诗来构建LSTM，那么希望的到的结果是，输入“胸”，预测下一个字符为“中”；输入“中”时，预测下一个字符为“稳”…输入“吾”，预测下一个字符为“乡”，等等。

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，其中的诗词学习到了格律诗的句子结构，且围绕着“春雨”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优秀的诗句（当然，这是笔者认为的），其中有些学习到了高阶的对仗技巧，如下：

作者最喜欢的是这两句：

最后，我们来看看诗歌的信息检索问题，也就是随意输入一句诗词，然后机器会按照语义相似度在全唐诗中检索出符合要求的若干句诗词。

谈到这里，不由得想起一个词—“射覆”，射覆游戏早期的耍法主要是制谜猜谜和用盆盂碗等把某物件事先隐藏遮盖起来，让人猜度。这两种耍法都是比较直接的。后来，在此基础上又产生了一种间接曲折的语言文字形式的射覆游戏，其法是用相连字句隐寓事物，令人猜度，若射者猜不出或猜错以及覆者误判射者的猜度时，都要罚酒。唐浩明的长篇小说《张之洞》中对“射覆”有一段精彩的描写：

宝竹坡突然对大家说，我有一覆，诸位谁可射中。不带大家做声，他立刻说，《左传》曰：“伯姬归于宋。射唐人诗一句。”说完，大家就都低头想，久久不出声…

忽然，只见张之洞不慌不忙地念着：“白居易诗曰—老大嫁作商人妇”。

如果对古文生疏，大家可能很难将这两句联想起来，但《张之洞》里接下来就有关于解谜的描述：

杨锐道：“伯、仲、叔、季，这是中国兄弟姊妹得排行序列。伯姬是鲁国的长公主，排行老大。周公平定武庚叛乱后，把商旧都周围地区封给商纣王的庶子启，定国名为宋，故宋国为商人后裔聚族之地。伯姬嫁到宋国，不正是’老大嫁作商人妇’吗？”

大家可能会想，如果是自己来思索的话，不仅需要自己具备渊博的学识，更要有疾如闪电的反应能力，这个非极顶聪明之人不可！

试想，机器来做，可以做好吗？能的话，又会是如何操作？

这里，作者介绍基于WMD（Earth Mover’s Distance）的语义相似度算法，与上面的情绪分析类似，还有用到之前训练得到的字向量模型，借助外部语义信息来应对同义不同字的情形。

WMD（EarthMover’s Distance）是一种能使机器以有意义的方式（结合文本的语义特征）评估两个文本之间的“距离（也就是文本间的相似度）”的方法，即使它们没有包含共同的词汇。它使用基于Word2vec的词向量。它已被证明超越了k-近邻分类中的许多现有技术方法。以下是“射覆”的机器解：

上面两个句子没有共同的词汇，但通过匹配相关单词，WMD能够准确地测量两个句子之间的（非）相似性。该方法还使用了基于词袋模型的文本表示方法（简单地说，就是词汇在文本中的频率），如下图所示。该方法的直觉是最小化2段文本间的“旅行距离（Traveling Distance）”，换句话说，该方法是将文档A的分布“移动”到文档B分布的最有效方式。

简要的解释了相关原理，笔者接下来展现最后的分析结果，由于对《妖猫传》中的那句线索诗句—《清平乐》印象深刻，为了检验效果，在《全唐诗》+《全宋词》中查找与它相关性最大的TOP9诗词。结果如下：

查找的结果排行第一的是原句，但有一个字不同(其实古语中“花”、“华”互通，华字的繁体是会意字，本意是“花”)，略微差异导致相似度不为1.0。第二相似的是一首宋词，林正大的《括酹江月（七）》，其实这整首词可以作为李白《清平乐》的注解，因为全篇都是对它的化用：即将《清平乐》中的句、段化解开来，增加了新的联想，重新组合，灵活运用，对原诗的表达进行了情感上的升华。随后的两句诗词也是类似的情况，只是相似度上略有差异罢了。

紧接着，是刚才机器生成的诗句，看看与它内涵相近的诗句有哪些：

再看看作者较为欣赏的2句名句，机器很好的捕捉到了它们之间的相似语义关系，即使词汇不尽相同，但仍能从语义上检索相似诗句。

写到这里，关于《全唐诗》单独的文本挖掘已经完成，但笔者又想到一个有趣的分析维度—从文本挖掘的角度来比较《全唐诗》、《全宋词》和《全元曲》之间用字的差异，借助字这种基本符号来分析各自的文学艺术特征。

因为分析的对象涉及3个，常规的二元对比分析方法难以得出有效的结论。因此，笔者在这里跨界采用了来自符号学领域的研究成果— Semiotic Squares。

“Semiotic Squares（笔者译作‘符号方块’）”，是由知名符号学大师Greimas和Rastier发明，是一种提炼式的对比分析（Oppositional Analyses）方法，通过将给定的两个相反的概念/事例（如 “生命（Life）”和“死亡（Death）”）的分析类型拓展到4类（如“生命（Life）”、“死亡（Death）”、“生死相间（也就是活死人，The Living Dead）”、“非生非死（天使，Angels）”，有时还可以拓展到8个或10个分析维度。以下是符号方块的结构示意图：

说明：“+”符号将2个词项组合成一个“元词项（Metaterm）”，也称“复合词（Compound Term）”，例如，5是1和2的复合结果。

Semiotic Squares主要包含以下2种元素（笔者正在避开方块的组成关系：对立，矛盾、互补或包含）：

（1）词项（Terms）

Semiotic Square 由4个词项组成：:

• 位置1 （Term 1）：词项A（Term A）

• 位置 2（Term 2）：词项B（Term B）

• 位置 3 (Term Not-2)：非B词项（Term Not-B）

• 位置 4 (Term Not-1)：非A词项（Term Not-A）

Term A和TermB是相反的两个概念，二者是对立关系，这是“符号方块”的基础，另外两项是通过对Term A和Term B取反而获得。

（2）元词项 (Metaterms)

Semiotic Square囊括6个元词项。这些元词项由上面的4个基础词项组合而成，其中的绝大部分元词项已被命名。

下面以“男性”和“女性”这两个相对的概念来举个例子，注意其中错综复杂的逻辑关系/类型。

说完了分析的大致原理，笔者这里就来实战一番，与上述原始模型不同的是，笔者在这里除了基本的二元对立分析外，还新增了一个分析维度，总体是关于《全唐诗》、《全宋词》和《全元曲》的三元文本对比分析。

预处理前的文本是这样的：

预处理后是这样的形式：

用Semiotic Squares进行分析的结果如下图所示（点击即可放大显示）：

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：

唐诗：唯、馀、始、鸟、含、尔、昔、兹、忽、栖、川、旌、戎、秦…

宋词：阑、沈、匆、帘、浓、约、淡、觞、蕊、屏、凝、笙、瑶、柔…

元曲：哥、俺、咱、孩、姐、吃、哩、科、厮、拿、你、叫、呀、呵…

从上面的关键字来看，唐诗、宋词和元曲各自的文学艺术特征很鲜明：

唐诗：用字清澹高华、含蓄，诗味较浓，寄情山水和金戈铁马的特征明显，可以联想到唐诗流派中典型的山水田园派和盛唐边塞诗，它们大都反映大唐诗人志趣高远、投效报国的情怀。

宋词：所用的字体现出婉约、宛转柔美，表现的多是儿女情长，生活点滴，这也难怪，由于长期以来词多趋于宛转柔美，人们便形成了以婉约为正宗的观念。

元曲：所用的字生活气息浓重，通俗易懂、接地气、诙谐、洒脱和率真，充分反映了其民间戏曲的特征，这与蒙元治下的汉族知识分子被打压,很多文人郁郁不得志、转入到民间戏曲的创作中来有关。

此外，正上方的“复合”中，表征的是三者皆常用的字，即共性特征，主要涉及写景（如 “晴”、“幽”、 “溪”、“洲”、“霜”、“浦”、“露”、 “碧”、“帆”、“峰”等）和抒情（等“怅”、“忆”、“寂”、“悠”等）。

下方的两个象限，“Not 唐诗”和“Not 宋词”分别代表的“宋词+元曲”、“唐诗+元曲”，三者之二的共性高频字，中的两项也以此类推，笔者在这里就不赘述了，请读者朋友们亲自去挖掘里面的玄妙吧。

作者非专业的诗歌研究者，上面的分析也未必准确，如果有分析不恰当的地方，还请斧正。作者想通过分析唐诗，来说下自己对于文本（数据）挖掘的看法：

*文本作者：苏格兰折耳喵（微信公众号：运营喵是怎样炼成的），人人都是产品经理专栏作家。新浪微舆情数据产品，擅长数据分析和可视化表达，热衷于用数据发现洞察，指导实践。