机器学习判定红楼梦后40回是否曹雪芹所写

图不全看链接

2016/06/27更新：

评论里有不少同学从严谨、科学的角度提供了很多意见，非常感谢。然后我补充说明一下：

1.我的主业是产品运营，这是我在coursera学习machine learning课程以后、拿来练手的题目，所以从严谨的角度来看，一定有很多问题；

2.已经有无数前辈用这种方法或类似方法研究过，我肯定不是原创（别怂恿我搞科研）；

3.非专业同学从零开始学习machine learning课程并且小露一手，是完全可能的，互勉；

===================================================

前几天灯神给我发了一篇文章，讲的是用机器学习的方式来判定红楼梦后40回到底是不是曹雪芹写的。

我这段时间也在自学Andrew Ng的机器学习课程，还差4周就能完成课程了。

计算机是一个很强调learning by doing的学科，于是我也来「学以致用」，用刚学到的SVM算法来分析下雪芹老师到底有没有写后面的40回。

作为一个从没看过红楼梦的人，我的大致思路是这样的：

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；
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；
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；
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；
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

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：

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。

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。

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。

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。

（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。

臭不要脸的自我介绍

我叫黎晨，英文名LC，是我中文拼音的简称，跟LV并无关系；

性别男，遵纪守法，无不良前科。我的很多朋友都说我是「死变态」。所以我经常宅在家里不出去祸害社会。

为此，我向政府申请维护社会公序良俗的奖励，但还没有获得任何回复；

00年开始接触互联网，可是很年轻。在互联网牛市造福浪潮中连小小的牛尾巴都没沾到，不过，我会继续努力的；

如果觉得文章还行，欢迎关注公众号「xiaochenxiangtaiduo」（小晨想太多的拼音）