Posted by on 2017年3月12日

4 comments

[隐藏]

今天偶然在网上看到一篇关于机器写诗的文章（click here），觉得很有意思，于是想自己操作一下。原博主是以宋词为例，那么我就以唐诗为例好了。

1.关于jiebaR package

首先，我不得不介绍一下一个很受欢迎的中文分词R package, jiebaR(click here)。网上很多教程，感兴趣的朋友可以搜搜。
jiebaR包支持最大概率法（Maximum Probability），隐式马尔科夫模型（Hidden Markov Model），索引模型（QuerySegment）和混合模型（MixSegment）等四种分词模式click here，功能涵盖词性标注（Part-of-Speech tagging或POS tagging, click here ），关键词提取（Automatic Indexing, click here），文本Simhash相似度比较（click here）等功能。

2.Toy Model

2.1.数据清理

下面我们就自己动手尝试一下一个简单的模型吧。首先，我们在Github(click here)上下载数据并且进行数据清洗，只保留诗文部分，得到《唐诗三百首》(click here)。
接下来导入文件到R中。

Default
1
2
3
4
5
6
fileName <- "tangshi2.txt"
TS <- readChar(fileName, file.info(fileName)$size)
# Transfer character strings to and from connections, without assuming they are null-terminated on the connection.
substr(TS, 1000, 1100)
# check the content from 1000 to 1100
#Extract or replace substrings in a character vector.

2.2.分词

用jiebaR包对文件进行分词处理。

Default
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#   install.packages("jiebaR")
library("jiebaR")
cc = worker()
# 接受默认参数，建立分词引擎
# This function can initialize jiebaR workers
##  相当于：
##       worker( type = "mix", dict = "inst/dict/jieba.dict.utf8",
##               hmm  = "inst/dict/hmm_model.utf8",  ### HMM模型数据
##               user = "inst/dict/user.dict.utf8") ### 用户自定义词库
analysis <- as.data.frame(table(cc[TS]))
# Functions to check if an object is a data frame, or coerce it if possible.
# reorder
analysis <- analysis[order(-analysis$Freq),]
# simply change the name and formatt
names(analysis) <- c("word","freq")
analysis$word <- as.character(analysis$word)

接下来我们再用wordcloud2 package(词云)进行可视化。

Default
1
2
3
# install.packages("wordcloud2")
library("wordcloud2")
wordcloud2(analysis)

得到

我们可以发现《唐诗三百首》中最常使用的词是字长为1的词。

下面我们看看分词后字数分别为1-4的词的词频

Default
1
2
3
4
5
6
7
8
9
10
11
12
13
analysis_1 <-analysis[nchar(analysis$word) == 1,]
analysis_2 <-analysis[nchar(analysis$word) == 2,]
analysis_3 <-analysis[nchar(analysis$word) == 3,]
analysis_4 <-analysis[nchar(analysis$word) == 4,]
# remove the CiPaiMing
wordcloud2(analysis_1)
# one character
wordcloud2(analysis_2)
# two character
wordcloud2(analysis_3)
# three character
wordcloud2(analysis_4)
# three character

得到

1字长的词词频较高的依然是：“無”，“月”，“在”，“去”，“不”，“與”等

2字长的词词频分布比较均匀，如“萬里”，“不見”，“何處”，“不得”，“將軍”等词频相差不大。

3字长的词中“君不見”和“行路難”明显占多。

唐诗中4字长的词比较少，词频分布比较均匀。

2.3.词性标记

我们用jiebaR中的tag给分词后的数据进行词性标记。词的分类详见词的分类。

Default
1
2
3
4
5
6
tagger <- worker("tag")
test<-mapply(c, analysis_1, analysis_2, SIMPLIFY=FALSE)
example<-mapply(c, test, analysis_3, SIMPLIFY=FALSE)
# subset:Return subsets of vectors, matrices or data frames which meet conditions
# exclude the author name and header name
example_2 <- tagger <= example$word

2.4.给定模板

我们以杜甫的《望岳》为模板。对模板进行分词和词性标记。其实原理很简单，在模板上根据各个位置的词性从刚刚得到的词库里进行随机匹配。其假设是无限猴子定理（read more, click here!）。同时这样让我想起了用以反驳强AI的“中文房间”（read more, click here!）思想实验。有兴趣的朋友自行百科吧，再次不赘述了。

Default
1
2
3
4
5
6
shi <- "岱宗夫如何，齊魯青未了。造化鍾神秀，陰陽割昏曉。盪胸生曾雲，決眥入歸鳥。會當凌絕頂，一覽眾山小。"
shi_2 <- tagger <= shi
shi_2
length(shi_2)
cixing <- attributes(shi_2)$names
# attributes: Object Attribute Lists

2.5.创作古诗

准备工作完毕,接下来就是创作了。

Default
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
write_tangshi <- function(m){
  set.seed(m)
  # Random Number Generation
  empty <- ""
  for (i in 1:length(shi_2)){
    temp_file <- example_2[attributes(example_2)$name == cixing[i]]
    temp_file <- temp_file[nchar(temp_file) == nchar(shi_2[i])]
    empty <- paste0(empty, sample(temp_file,1))
  }
  
  result <- paste0(substr(empty, 1,5), ",", substr(empty,6,10),"。",
                   substr(empty, 11,15), ",", substr(empty, 16,20),"。",
                   substr(empty, 21,25), ",", substr(empty, 26,30),"。",
                   substr(empty, 31,35), ",", substr(empty, 36,40),"。")
  
}
 
lapply(1:3, write_tangshi)
# lapply: Apply a Function over a List or Vector

得到结果为

[1]
巴人著其間,雨露凌絕頂。
逡巡門磊落,江底何所似。
外繡簾還桃,撫念益涼坼。
繼周青未了,夫人荒居細。

[2]
太宗猩其間,干戈青未了。
閒逸尋衰朽,南迴滿秋山。
漢地曲都河,問死生栖蝟。
騰驤凌絕頂,微火不教乖。

[3]
太宗脾之中,冷霜春風來。
殞身別壯觀,東城盡曉妝。
江柳共遂北,漲秋池薰羈。
今為歸去來,鋤犁如斗高。

结果还不错，有那么几句看上去还算有诗意。但是还是可以看出来目前的算法不够聪明。因为律诗的声韵格律，情感主题的连贯性均没有考虑进来。

2.6.2.6 后续

后续工作中可以加入机器学习，同时再模型中考虑主题模型，互信息模型等，训练律诗的声韵、格律、主题、情感。

3.关于机器写诗的方法

知乎专栏：炼丹实验室有非常详细的literature review。
传统的机器作诗方法包括：Word Salada，基于模板和模式的方法，基于遗传算法的方法（周昌乐等 2010），基于摘要生成的方法（Generative Summarization Framework, Rui Yan et al, 2013），基于统计机器翻译的方法（ Statistical Machine Translation Models, Jing He et al, 2012）。而目前比较先进的方法是基于深度学习（Deep Learning）的生成方法：Recurrent Neural Networks（Xingxing Zhang et al, 2014)，Neural Attention-based Model（Q Wang,2016），Recurrent Neural Networks with Iterative Polishing Schema（Rui Yan，2016），Planning based Neural Network（Z Wang，2016），SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient（L Yu，2016）。

4.关于成熟产品

目前已经相对比较成熟的产品供大家使用了，例如上海玻森数据的编诗姬和微软亚洲研究院的律诗绝句。有兴趣的朋友可以体验一下。

5.Read More

最近在一席上看了一个关于自然语言处理的演讲，觉得主讲人讲得很生动，有兴趣的朋友可以看看。
详见：顾森 追逐语言的规律（2014） 优酷 (click here!) , YouTube(click here!)
同时自然语言处理的公开课也很多，比较有名的就是
Open Course:CS224n: Natural Language Processing with Deep Learning

【欢迎订阅并关注微信公众号“饱蠹阁BaoDuGe”】

Posted in: Academic 無涯齋
Tags: , ,
206 views
1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
Loading...

Comments

  1. Tingting
    2017年3月17日

    好有意思呀！点赞！

  2. luo
    2017年3月17日

    这个结构模型可以运用到照片处理的方式里去的话，也应该很有意思…

    • baoduge
      2017年3月18日

      照片处理和文字处理有点点不太一样。不过这个小玩具其实可以往下继续做，还是有很多东西可以加进来的，后面希望有时间可以再写。

Leave a Reply

返回顶部