用机器学习的方法鉴别红楼梦作者
在学界一般认为，《红楼梦》后 40 回并非曹雪芹所著。本文尝试应用机器学习的方法来分析原著文本中作者的用词习惯，从技术角度去说明《红楼梦》前 80 回和后 40 回的写作风格差别，继而可以确认后 40 回非原作者所写。
项目存放在 reality-of-Dream-of-Red-Mansions 。
主要原理
每个作者写作都有自己的用词习惯和风格，即使是故意模仿也会留下很多痕迹。
在文言文中，文言虚词分布均匀，书中每个回目都会出现很多文言虚词，差别在于出现频率不同，我们把文言虚词的出现频率作为特征。
不只文言虚词，还有其他的词在所有回目中出现频率很多。比如对第 80 回进行词频统计，得到
了 172 的 142 我 70 宝玉 65 你 61 道 54 他 51 也 50 着 48 是 40 说 38
这些高频词汇也可以作为特征向量。
本文将 20~29 回(诗词曲比较均衡)作为类别 1 的学习样本，将 110~119 回作为类别 2 的学习样本。
将两个类别的特征向量输入到 SVM(支持向量机) 进行训练得出一个分类模型。再对剩余回目进行分类，看它们分别偏向于哪个类别。
SVM 相关原理参见 NG 的公开课 Machine Learning 和 scikit-learn 库
相关学术论文参见
施建军. (2011). 基于支持向量机技术的《 红楼梦》 作者研究. 红楼梦学刊, (5), 35-52.
李贤平. (1978).《红楼梦》成书新说. 复旦学报(社会科学版).
特征选取
[ '之', '其', '或', '亦', '方', '于', '即', '皆', '因', '仍', '故', '尚', '呢', '了', '的', '着', '一', '不', '乃', '呀', '吗', '咧', '啊', '把', '让', '向', '往', '是', '在', '越', '再', '更', '比', '很', '偏', '别', '好', '可', '便', '就', '但', '儿', # 42 个文言虚词 '又', '也', '都', '要', # 高频副词 '这', '那', '你', '我', '他' # 高频代词 '来', '去', '道', '笑', '说' #高频动词 ]
选取常用的 42 个文言虚词和通过词频统计得到的高频使用的词作为特征，分别计算它们在各个回目中出现的频率作为特征向量。
在源码中由 modelBuilder.py 中的 build_feature_vector 函数实现。
目录结构
. ├── README.md ├── textProcesser.py # 文本处理 ├── modelBuilder.py # 模型建立 ├── decisionMaker.py # 作出判断 ├── neg_trainset.npy # 正例训练集 ├── pos_trainset.npy # 负例训练集 ├── trainset.npy # 训练集 ├── testset.npy # 测试集 ├── text │ ├── redmansions.txt # 原著文本 │ ├── chapter-1 # 按章分开，第一章 │ ├── chapter-n │ ├── chapter-words-1 # 第一章分词结果 │ ├── chapter-words-n │ ├── chapter-wordcount-1 # 第一章词频统计结果 │ └── chapter-wordcount-n
使用步骤
- 运行 textProcesser.py ，将原著文本分为章节，分词，词频统计
- 运行 modelBuilder.py ，对文本章节提取特征向量，建立分类模型
- 运行 decisionMaker.py ，对文本进行分类
结论
1~80 [ 1. 1. 1. 1. 1. 2. 2. 1. 1. 2. 2. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 2. 2. 2. 1. 1. 1. 1. 1. 2. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] 81~120 [ 1. 1. 2. 1. 1. 2. 2. 1. 1. 2. 1. 2. 2. 2. 2. 2. 2. 1. 2. 2. 1. 2. 2. 2. 2. 2. 2. 1. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]
1 指该回目属于类别 1，2 指该回目属于类别 2。
可以得出结论
- 前 80 回属于一类，后 40 回属于一类
- 80 回左右是分界点
- 后 40 回风格不同于前 80 回
81~120 回中有一些被分成了 1 类，这与特征选取有关，还与使用的原著版本有关。这里的版本是网上下的电子版，版本不明，建议使用人民文学出版社 1982 年出版的《红楼梦》作为研究对象。
1~80 回有一些被分成了 2 类，可能是后 40 回作者在续写过程中对部分章节进行了修改。