唐朝诗人最喜欢的季节是春天，最钟意的动物是龙、马，最喜欢提及的地名是江南……

这不够，他还要告诉你全唐诗中排名第一的“好基友”是哪两位；初唐、盛唐、中唐、晚唐各时期诗坛社交网络如何，分别产生了以谁为中心的“朋友圈”……程序员的文章发表后，引发不凡的阅读量与回应，同时有人文领域的研究者指出其不足之处。高呼“代码改变世界”操之过急，技术的进步带给人文社科领域巨大的推力却是不争的事实：跨界研究有益亦有趣。

全唐诗作数量“无名氏”排第四

2017年2月26日，“前进四先生”终于在自己的微信公众号“前进日志”上贴出了《当我们在读唐诗时，我们在读什么》。说起他的职业“航天工程师”，似乎和唐诗没有任何关联，日常工作围着数据分析、写程序转，是标准的“程序员”。用“前进四先生”(以下简称“前进四”)的话来说：“这是一个非常严谨的行业，容不得半点差错。”

能写出这篇文章，和他另一个身份定位有关：古典诗词爱好者。平日对诗词抱有浓厚兴趣，读过不少相关书籍，在心情不好时喜欢读诗的他和千千万万观众一样，在春节期间关注到一档综艺节目《中国诗词大会》。节目的热度刺激了他的职业习惯：用数据分析遇到的各类问题，唐诗也包括在内。“前进四”对记者表示，用科技手段来分析文艺作品在学术界并不新鲜，其之前也读过相关论文，如浙江大学徐永明《中国古典文学研究的几种可视化途径———以汤显祖研究为例》。只不过这些文章多流传在学术圈中，并没有流传开来。

“程序员”开始行动了。为分析唐朝诗歌，他先从网上找来一份全唐诗，其使用的版本共2609位作者，收录42974首诗。通过Python(一种计算机程序设计语言)这种工具，他决定小试牛刀，分析唐诗中出现的字、词，找找有哪些好玩的点。

第一个问题，唐朝诗人谁的作品数量最多？程序统计的结果前三名是：白居易(2643首)、杜甫(1151首)、李白(897首)。而位居第四的是NA(843首)，即“无名氏”。“前进四”后来告诉南都记者，这个统计只局限在全唐诗里，存在的不足是各个作者流传至今的诗词数量不一，提醒读者其中可能存在误差：“比如全唐诗中白居易的诗最多，这是因为白居易生前自己编纂过文集，李杜则没有，所以白的文章流传到后世的就比李杜的多一些”。

“难道唐朝诗人也讲龙马精神”

接着，他用计算机统计全唐诗中常见的字、词，例如出现最多的字、季节、颜色、植物、动物等词汇分别是哪些。“前进四”称，这些检索十分简单，只需要几行代码就可以实现；而检索的关键词是他本着对于诗歌常见意象的阅读经验想出来的。让我们看看他得出的结论：唐诗中出现最多的字是“不”字；四季出现的频率中，“春”和“秋”呈现出压倒性的场面；颜色中，诗人用的最多的是“白”色；植物中，“松”“竹”最受诗人喜爱；动物中，“龙”“马”出场次数高于其他种类，对此“前进四”开玩笑———“难道唐朝也讲龙马精神”？

至于以词为单位的分析，他告诉记者，实际与字的分析原理相同，但借助了THULAC这个分词工具。“前进四”解释，THULAC在分词之后，还能同时得到词的词性(同时他提到，此分词工具有缺陷。计算机之所以能分词，是因为它从大量的人工分词结果中学习了规律。THULAC是用现代语文分词的材料训练出来的，相应的，THULAC也就在现代语文材料分词中表现良好，针对古代文献没那么理想)。比如这个词到底是形容词，动词还是名词？THULAC的词性划分得非常细致，其中就有地名词性、时间词性、处所词性等，因此统计唐诗中出现的地名、时间、场景等也较为简单。

根据“前进四”的统计，唐诗中最常出现的地名是“江南”和“长安”，他在文中如是说———“毕竟一个地方环境好，一个地方是首都，想必这两个地方的房价一定也很贵。”那么，什么具体场景能引发诗人们的兴致呢？门前、海上、江边、楼上，“这就跟我们现在到景区门前要合影留念，，到海边、河边、高楼上都要拍照发朋友圈是一个意思吧”。

更进一步，通过word2vec这个工具，实现词到向量的转换，即所有词可转换成一长串数字。由此，计算机以数字之间的相似度可以简单分析诗句中词与词之间的关联。“前进四”向记者解释，这个转化过程非三言两语能说清楚。粗略来讲，不同词的上下文是不一样的，但是又有一定的相关性。比方说“苹果”和“梨”，这两个词出现的语境应该会很相似，比如：“我们去水果店买苹果/梨吧”，“午饭后再吃个苹果/梨”。在这两个句子中，苹果和梨都是可以互换的词。而“苹果”和“猫”就基本不可能出现在相同的上下文语境中。计算机通过分析每个词上下文出现的词，最后可以每个词转换为一串数字。上下文比较接近的词，这串数字就比较接近。

上一篇：地方类微信公众号还值得运营吗？ 下一篇：如何找到高质量公众号做推广，我总结了十个指标

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。