程序员分析唐诗朋友圈：白居易最“大V”李白“负心”

原标题：程序员分析唐诗朋友圈：白居易最“大V”李白的确“负心”

漫画：张建辉

航天工程师跨界研究玩出有趣结果，编程分析数据展示初唐、盛唐、中唐、晚唐各时期诗坛社交网络。

唐朝社交网络

2017年初综艺节目《中国诗词大会》的走红不仅让几位优秀选手家喻户晓，还间接催生民间朗诵、学习、研究古诗词的热潮。在这个背景下，一个本职工作是做数据分析的程序员也闲不住了，他用自己擅长的编程语言为工具，向我们展示了计算机对全唐诗的分析成果：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

漫画：张建辉

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N A (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”

漫画：张建辉

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T H U LA C这个分词工具。“前进四”解释，T H U LA C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。TH U LAC是用现代语文分词的材料训练出来的，相应的，T H U LA C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？T H U LA C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w ord2vec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。

以此手段，“前进四”找出了与“寂寞”关联密切的10个词：唯有、今夜、摇落、怅望、故国、伴、惆怅、深春、明日、旅。他在文中这样写道：“能看出来，诗人们往往在春日的深夜里，在树叶摇落的季节里，在旅途中，怀念故国的时候，最容易寂寞。这也难怪，我写完上个句子，都感觉有点寂寞了呢。”

最热烈“基友”：陆龟蒙和皮日休

漫画：张建辉

3月12日，“前进四”又贴出另一篇分析成果《计算机告诉你，唐朝诗人之间的关系到底是什么样的》，超高的阅读量让他感到惊讶：“最初只是为了好玩，没想到有这么多人喜欢。”他告诉记者，这篇文章写的时候其实很随意，远没有之前写数学类文章那么认真。如果能知道有这么大的传播度，就会更加认真些。

这篇文章，他把关注焦点放在诗人身上，试图理清两个诗人以至于多个诗人间的关系。如何解决呢？借助全唐诗，他把“关系”简化为“引用关系”，即诗的标题和正文中只要提到过对方，那么两者之间的引用关系加1。一首诗如果提到多次对方，只算一次引

用。“前进四”对记者说，“这种引用关系的分析只是大体上的分析。如果要认真分析两位诗人之间的关系，势必要按年代顺序来分析两者之间的唱和作品，这工作量有点大，并且不是我擅长的内容”。计算机无法对引用的诗做细微的情感分析，因此文中的诗坛“社交网络”“朋友圈”都只是以“引用关系”为依托。

全唐诗共2000多名作者，诗人的别称又很多，比如杜甫字子美，按排行称为杜二，按官职称为杜工部。为了让他们对号入座、不重复、不遗漏，“前进四”使用C B D B(中国历代人物传记资料库，系统性收录中国历代名人传记资料)查询诗人的主要信息及别名，排除年代不符的重名，手动补充遗漏部分。由于把全唐诗所有诗人关系都理出来会很乱，借助CBD B来的筛选，“前进四”将762位诗人纳入社交网络的关心范围。

范围既定，程序运行。首先，看一下著名的李白与杜甫。全唐诗中，杜甫写了12首与李白有关的诗，李白则只有3首与杜甫有关的诗。虽然“前进四”也调侃“李白这种朋友确实差劲了一点”，但对于近来网上流传的李杜二人的段子，他觉得“看看笑笑就好”。“前进四”表示，杜甫写李白的诗多，一方面因为李白是长辈，比杜甫大了十来岁，成名时间也早得多，更多的是因为杜甫和李白的性格不同：李白飘逸，杜甫深情。

那么，唐代诗人间的唱和互动以哪两人最为频繁呢？排名第一的是晚唐时期陆龟蒙和皮日休，堪称“绝对的好基友”。两人互相提到对方的次数均达百次以上，常年酬唱的成果被集成唱和诗集《松陵集》，文学史上也留下“皮陆”的美名。

并列排名第二的则是白居易和刘禹锡、白居易和元稹。白居易与元稹是文学史上闻名的“元白”二人组，关系之亲密自不待言；白居易和刘禹锡同年(772年)出生，从政道路都是“各种被贬谪”。白居易得知刘禹锡去世的消息后，还写下了悼亡的千古名诗：四海齐名白与刘，百年交分两绸缪。同贫同病退闲日，一死一生临老头。

白居易是“大V中的大V”

另外，从排名前三十的引用关系来看，白居易还与李逢吉、崔玄亮、李建、李绅等名字相连次数很多。“前进四”称，白居易绝对是唐朝诗人朋友圈中的明星，是“大V中的大V”。

两人间关系有了排名，“前进四”利用E C harts将前一百名引用关系图示化，得到诗人们的社交网络圈。依据引用度的强弱，关系图显示出了唐朝诗人的两个大型朋友圈：盛唐杜甫-李白朋友圈、中唐白居易朋友圈。

对于白居易这个“社交核心”，“前进四”向南都记者解释，社交网络圈的核心人物，就是与其他文人发生联系比较多，并且在文坛上有一定名望的人。白居易是其中典型，白与其同时代的其他文人都有联系，并且是当时的诗坛领袖。

除此之外，从初唐、盛唐、中唐、晚唐分阶段看，初唐诗人中关系最好的是宋之问和沈铨期，两位正是宫廷诗人的代表，确定了近体诗的格律，史称“沈宋”；晚唐诗人的社交网络比较散乱，没有明显的核心。其中最重要的就是李商隐和杜牧，文学史也以“小李杜”认证。

跨界回响

“这个数据统计很有趣但还流于简单”

以“前进四”这个程序员的思维，计算机不仅可以分析唐诗，还可以解剖其他时代的文献，梳理时代人物关系。当然前提是这种分析需要“对当时的时代有一定的了解”。伴随着计算机技术的发展和古典文献的数字化进程，他对做出中国历史人物关系图的愿景抱有期待。

就程序员的思路，南都记者请教了一位人文领域研究者刘锐。刘锐现在香港教育大学中国语言学系做词汇语义学、语料库语言学方面的研究。他评价两篇文章称：这种文理之间、文科和工程科学之间的跨界，在大众看来还比较新奇，想必这和教育体制的文理分科在大众中形成的观念有关。这样的文章虽然算不上学术研究(其实很多是程序员的“练笔之作”)，但是对于向大众普及文理合流、文理相通的观念很有帮助。由此可以看到跨界和学术走入生活的趋势。通过一些计算机技术，从宏观的方面揭示诗词歌曲的特点，并通过现代人熟知的一些概念表达出来，比如“社交网络”、朋友圈等，能够引发大众对现象的思考，和对学术的兴趣。

刘锐告诉南都记者，之前他看过另一篇很火的文章《我分析了42万字的歌词，为了搞清楚民谣歌手们在唱些什么》，是用计算机方法分析歌词。相比之下，“前进四”的文章所用材料数量更大，分析较为严谨。不过，就学术研究而言，失之简单。做诗歌研究绕不过文学史。诗人社交网络、诗坛核心，考量的维度很多，“除了诗歌的互引，还比如各种史料记载的诗人交游的情况，诗人对文学风格的影响，贡献等。如果文章根据制图得出结论后再查查文学史，若能互相印证，会更有说服力”。

同时他认为，基于字词统计的方法是语言学中常用的方法，比如汉语中哪些是常用词，就用统计方法加一些语言学原理来确定。但是“前进四”的字词统计还是流于简单。“诗歌精细的意义不说，单说这个字词统计没有考虑到多义词、多义字的情况，这就不是很可靠了。而且他用的分词软件是不是适用于古汉语呢？古今汉语的分词是非常不同的”。

刘锐表示，整体而言他很乐见这种“跨界研究”。据他介绍，学术领域有一门计算语言学，专门用计算机研究语言。由此能验证出不少有趣的结论，最著名的便是“齐普夫定律”。此定律有点像所谓的“二八定律”，是最省力法则在语言中的体现。

他山之石

“数据挖掘”

在历史研究中大有可为

实际上，程序员的这次“跨界”也得到不少人文领域读者的关注。“有些不会写代码的朋友，他们想知道有没有现成的工具可以对其他文献进行分析”；还有一些读者和“前进四”交流对话，由此他听说了数字史学(digital history)这一概念，才明白自己的文章用计算机分析、展示历史，可以算作“数字史学”的范畴。

“前进四”口中的数字史学，据南京大学历史系王涛的论文《挑战与机遇：“数字史学”与历史研究》介绍，早在上个世纪90年代就有了这一概念。信息技术革命与“大数据”时代的到来，为史学研究史料整理、分析思路造成了不小的冲击。论文认为，计算机“数据挖掘”的特长在历史研究中大有可为。王涛提到，2007年开始，哈佛大学由谷歌公司支持，借助电脑“阅读”百万计电子书，利用n-grams分析书籍中出现的重要词汇，获悉不少有趣的结果。例如，对著名历史人物的成名过程有了定量的描述，而且发现成名的准备期从20世纪中期开始变得越来越短；对历史上出现的瘟疫流行路线有了清晰的描绘；主流文化对技术进步的接纳，在19世纪初平均需要66年，而在1880—1920年间，则只需27年。

无论是“计算语言学”还是“数字史学”，离普通人还是有些距离。不过，善用搜索工具、用程序处理人文，总能带给你意想不到的结论。毕竟，依照计算机分析，现代民谣歌手在歌词中最喜欢春天，最爱念叨“南方”，和全唐诗中诗人的偏爱有那么一丝接近呢。