查看原文
其他

如何用 R 创作古诗

2017-03-01 李佳飞 R语言中文社区

引子

最近中国诗词大会很受欢迎,才女武亦姝凭借超强的记忆力和超快的反应能力一炮走红,成为大家心目中的偶像。

在欣赏节目的同时,我也不禁想到,既然古代的诗人能够创作出这些美好的诗篇,那我是不是也能创作几首属于自己的诗词作品呢?可惜,经过一番尝试,我发现自身的文学功底不够,恐怕无法完成这样艰巨的任务。看来人和人还是有很大的差距。

当然,我并没有气馁。就像著名的无限猴子定理阐述的那样,哪怕是让一只猴子在打字机上随机地按键,只要按键的时间足够长,那么几乎必然能够打出任何特定的文字,甚至是莎士比亚的全套著作。我觉得我的编程能力应该比猴子还是要略强一筹,所以打算试试用我熟悉的语言R 来创作几首『歪诗』。


词频分析

既然要创作诗词,那么就要先了解诗词中最常出现的词汇和意象是什么。我在 github 上找到了一些古典中文的语料库(链接),其中有不少唐诗宋词的文本,只不过是繁体的。我选择了《宋词三百首》作为了我的文本库,对它进行词频分析。

其实做法很简单,大概就是分这么几步:

  1. 把文本拆分成一个一个的单词;

  2. 把单词按照出现的频率、次数进行排序

  3. 用可视化把结果展示出来

下面的部分我会讨论一下具体的操作,不感兴趣的观众请往后翻到结果的部分。

第一步、第二步

  • 导入文本库:

> fileName <- "宋詞三百首.txt" > SC <- readChar(fileName, file.info(fileName)$size)# 大概检查一下> substr(SC, 1000, 1100)[1] "醒。送春春去幾時回,臨晚鏡。傷流景。往事後期空記省。○沙上並禽池上暝。雲破月來花弄影。重重簾幕密遮燈,風不定。人初靜。明日落紅應滿徑。\n\n詞牌:青門引\n作者:張先\n詞文:乍暖還輕冷。風雨晚來方定。庭軒寂"
  • 用分词包『结巴R』 (链接) 里面的 worker() 公式完成分词:

> cc = worker()> analysis <- as.data.frame(table(cc[SC]))# 重新排序> analysis <- analysis[order(-analysis$freq),]# 简单改变一下文件的命名、格式> names(analysis) <- c("word","freq")> analysis$word <- as.character(analysis$word)# 看一下这个分词文件的开头> head(analysis)     word freq470  作者  3106120 詞文  3106121 詞牌  3101024   又   751014   去   553124   月   54

看来在宋词三百首中,出现最多的词语是『作者』,『词文』,『词牌』,总共出现了310次。这是因为每首诗词开始时,文档中都会介绍这首诗词的作者、词文和词牌,从而干扰了我们的文本分析。


第二步

我用 R 包 wordcloud2把结果简单地进行了一下可视化:

wordcloud2(analysis)

然后得到了这张图。

嗯,硕大的一个『词文』出现了很多次,看来我们在可视化的时候要把它去掉。

我把出现频率大于300次的词语刨除之后,根据分词结果的字数(一字,二字,三字)重新进行了可视化,结果如下:

wordcloud2(analysis[analysis$freq>1& analysis$freq < 300 & nchar(analysis$word) == 1,])wordcloud2(analysis[analysis$freq>1& analysis$freq < 300 & nchar(analysis$word) == 2,])wordcloud2(analysis[analysis$freq>1 & analysis$freq < 300 & nchar(analysis$word) == 3,])

现在的结果就正常多了。我们看到,一个字的词语中,出现频率较多的有『谁』,『又』,『人』,『去』,『梦』, 『是』, 『处』,『月』 等等。

两个字的词语中,『何处』,『斜阳』,『相思』这些词使用频率最多,给我一种在看网络小说标题的感觉。

三个字的词语中,出现最多的往往是词牌名和作者名。

完成了简短的词频分析,下面就要开始最重要的『诗词创作』部分了!


诗词创作

准备

创作宋词,先要明确一个词牌名。我选择了李白的《清平乐·画堂晨起》作为范例。

画堂晨起,来报雪花坠。高卷帘栊看佳瑞,皓色远迷庭砌。盛气光引炉烟,素草寒生玉佩。应是天仙狂醉,乱把白云揉碎。

R 的中文分词包『结巴R』的功能中,有一项可以用来分辨词语的词性。我将范例进行分词后,再用这项功能分析一下各部分的词性。

> cipai <- "画堂晨起,来报雪花坠。高卷帘栊 看 佳瑞,皓色远 迷 庭砌。盛气光引 炉烟,素草寒生玉佩。应是天仙狂醉,乱把白云揉碎。"> tagger <- worker("tag")> cipai_2 <- tagger <= cipai> cipai_2     n      x      x      n      v      a      n      g      v "画堂" "晨起" "来报" "雪花"   "坠"   "高" "卷帘"   "栊"   "看"      x      x      a      v      x      n      x      x      x "佳瑞" "皓色"   "远"   "迷" "庭砌" "盛气" "光引" "炉烟" "素草"      x     nr      x      n      x      d      p     nr      v "寒生" "玉佩" "应是" "天仙" "狂醉"   "乱"   "把" "白云" "揉碎"

其中每个字母代表什么词性,我也没有很理解。据我的猜测,n 应该是名词,x是没有分辨出来的词性,v是动词, a是形容词,至于『nr』, 『p』, 『d』是什么,实在是猜不出来,在帮助文档中也没有找到。如果有朋友知道的话,希望能不吝赐教。

最后,我从之前提炼的宋词词频库中,选取了至少出现过两次的一字或两字词语,作为诗词创作的素材库:

> example <- subset(analysis, freq >1 & nchar(word) <3 & freq < 300)# 提取词性文件> cixing <- attributes(cipai_2)$names# 将素材库进行词性分类> example_2 <- tagger <= example$word

创作

下面,我们终于要开始用 R 创作诗歌了!我自己想了一个创作的算法,可以说很简单,甚至说有点可笑。

步骤是这样的:我从范本词牌的第一个词开始,随机在素材库中选取词性相同,字数相等的单词,填入提前设置好的空白字符串中。

举个例子,原诗的第一个词是『画堂』,是个二字的名词。那么,我就在素材库中随机选择一个二字的名词,填入这个空间中。然后,继续分析下一个词。

具体方程的代码如下:

> write_songci <- function(m){set.seed(m)empty <- ""for (i in 1:length(cipai_2)){  temp_file <- example_2[attributes(example_2)$name == cixing[i]]  temp_file <- temp_file[nchar(temp_file) == nchar(cipai_2[i])]   empty <- paste0(empty, sample(temp_file,1))  }result <- paste0(substr(empty, 1,4), ",", substr(empty,5,9),"。",       substr(empty, 10,16), ",", substr(empty, 17,22),"。",      substr(empty, 23,28), ",", substr(empty, 29,34),"。",      substr(empty, 35,40), ",", substr(empty, 41,46),"。")}

结果

做了这么多工作,终于到了验收结果的部分。请各位来欣赏几首 R 创作的歪词作品吧:

> lapply(1:5, write_songci)[[1]][1] "幽香凝佇,春空賞花回。淨關塞旆感春歸,朝天淺爭前度。江聲已失無跡,香非凝笑秋千。過盡細雨歸鴻,欲對蓬萊歸來。"[[2]][1] "流年漏永,春空愁腸覺。穩黃花笮收敗壁,數峰深鋪已斷。寄語舊香非煙,歸夢如夢殷勤。沈沈啼鶯老來,卻把丁香不堪。"[[3]][1] "愁腸簾外,前度芳心困。少陽臺瘞切桃蹊,幾人細鎖新樣。腸斷缺月中酒,潘鬢行遍何曾。歸雁芳草修竹,不對秋水垂下。"[[4]][1] "一川晏殊,阮郎斷鴻展。重暮雲菰訪楊花,畫閣滿聽金尊。敗葉孤城雪滿,晝永隋堤碧雲。無準黃金年光,漸因綺羅開時。"[[5]][1] "煙柳清景,謝娘桃花如。窄蝴蝶琮誤中酒,花間碎挂斷煙。幽夢曉來千樹,蕭娘數峰翩翩。蟲網暗想未醒,曾向丁寧聚散。"


既然是计算机生成的诗,自然谈不上什么文学性。不过,虽然大部分内容看上去不知所云,有些词句还是有些意思的,比如『幽香凝伫』,『愁肠帘外』,『孤城雪满』等等。之前在调试的时候,还出现过类似于『风烟泪暗霜前, 古岸频听金莲』这样的词句,无厘头之余,莫名地居然还有些押韵。


感想

这篇文章到此就结束了,希望大家读得还愉快。最后谈谈自己的感想。

  • 很多读者可能会问,既然用 R 写出来的诗毫不合文理,为什么还要进行这样的工作呢?这种练习是不是在侮辱中文和古典诗词呢?我倒是觉得,我们对语言应该存有一种开放的态度。诗词说到底,也是一种风雅的文字游戏。我们又何尝不能抱着游戏的态度,把这个练习当做一个有趣的消遣呢?

  • 用计算机代码作诗的主意并非是我原创。清华大学早在一年前就推出过作诗机器人薇薇,宣称可以通过图灵测试。

  • 有些词句,如『何处东风约』,『万朵千峰映碧垂』等还是略显生硬,不过比我这里创作的诗词已经强的太多了。本文的小程序比较简短,总共只使用了不到50行代码,可以说是比较粗略的一个版本,仅供大家参考。感兴趣的读者可以设计更精密的算法,使用更高级的统计方法改进创作的质量。

  • 古诗词向来被认为具有很高的艺术价值。今天的我们有越来越多的工具,可以系统化地总结、归纳诗词的规律,这大概也是过去的诗人怎么也想不到的。或许有一天,计算机真的能学习出作诗的秘诀,给我们带来更多全新的灵感和更好的诗句。我们拭目以待。

参考资料

  • 古典中文语料库

  • jiebaR 的CRAN page

  • jiebaR 的帮助文档

  • R中的普通文本处理汇总

  • 百度百科:清平乐

  • 无限猴子定理

「归雁芳草修竹,不对秋水垂下。—— R」


作者:李佳飞    

知乎专栏:知叶堂 

https://zhuanlan.zhihu.com/p/25446637  




微信回复关键字即可学习

回复 R              R语言快速入门免费视频 
回复 统计          统计方法及其在R中的实现
回复 用户画像   民生银行客户画像搭建与应用 
回复 大数据      大数据系列免费视频教程
回复 可视化      利用R语言做数据可视化
回复 数据挖掘   数据挖掘算法原理解释与应用
回复 机器学习   R&Python机器学习入门 


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存