阅读 2698

李鬼见李逵——我用翟天临的论文做了分析

完整源码可在公众号:「01二进制」后台回复:「翟天临」获取

昨天是元宵节,在南京,元宵节一到也意味着这个年过完了,我们也该回到自己的工作岗位上了。都说今年的瓜特别多(葫芦娃的那种),但是过年期间最甜的我想非翟天临的“知网是什么?”莫属了吧。

前段时间,微博上开始不断爆出翟天临学术不端,论文抄袭的消息,以至于牵扯到其导师、院长甚至整个北京电影学院。

我平常不怎么关注娱乐圈,所以刚开始并没有把这件事放在心上,直到网上爆出翟的论文大篇幅抄袭陈坤论文的消息,我才对这位娱乐圈博士的文章起了兴趣。接下来就让我们以一个coder的角度来硬核分析下翟的论文吧。

实验环境

工欲善其事,必先利其器,在开始分析之前,我先说明此次分析所处的实验环境,以免出现异常:

  • MacOS 10.14.3
  • Python 3.6.8(Anaconda)
  • Visual Studio Code
  • 使用的包有:
    • pkuseg(分词)
    • matplotlib(绘图)
    • wordcloud(词云)
    • numpy(数学计算)
    • sklearn(机器学习)

数据获取

说实话,起初我以为就算翟不知“知网”为何物,“知网”也该收录翟的文章吧,可我在知网搜了好久也没能找到翟的论文,好在我在今日头条上找到了他的文章,保存在data/zhai.txt中。说到这,还真要感谢翟天临啊,都是因为他,大家才变得这么有学术精神,开始研究起本科硕士博士论文了。

数据清理

上一节我们已经将他的论文保存到一个txt中了,所以我们需要先将文章加载到内存中:

# 数据获取(从文件中读取)
def readFile(file_path):
    content = []
    with open(file_path, encoding="utf-8") as f:
        content = f.read()
    return content
复制代码

我统计了下,除去开头的标题和末尾的致谢,总共25005个字。

接下来我们来进行数据清理,在这里我用了pkuseg对内容进行分词处理,同时去掉停用词后输出分词的结果。

所谓停用词就是在语境中没有具体含义的文字,例如这个、那个,你我他,的得地,以及标点符合等等。因为没人在搜索的时候去用这些没意义的停用词搜索,为了使得分词效果更好,我就要把这些停用词过滤掉。

# 数据清理(分词和去掉停用词)
def cleanWord(content):
    # 分词
    seg = pkuseg.pkuseg()
    text = seg.cut(content)

    # 读取停用词
    stopwords = []
    with open("stopwords/哈工大停用词表.txt", encoding="utf-8") as f:
        stopwords = f.read()

    new_text = []
    # 去掉停用词
    for w in text:
        if w not in stopwords:
            new_text.append(w)

    return new_text
复制代码

执行结果:

这里我提两点:

  1. 为什么分词工具用的是pkuseg而不是jieba

pkuseg是北大推出的一个分词工具,官方地址是:github.com/lancopku/pk…

  1. 为什么用哈工大的停用词表?

停用词表的下载地址在:github.com/YueYongDev/…

停用词表 效果较好的文本种类
哈工大停用词表 文献期刊类文本
百度停用词表 新闻报道类文本
四川大学停用词表 邮件文献类文本

参考文献:官琴, 邓三鸿, 王昊. 中文文本聚类常用停用词表对比研究[J]. 数据分析与知识发现, 2006, 1(3).

有兴趣阅读此篇论文的可在公众号:「01二进制」后台回复:「停用词表对比研究」获取

数据统计

说是数据统计,其实也没什么好统计的,这里简单化一下,就是统计下各个词出现的频率,然后输出词频最高的15个词

# 数据整理(统计词频)
def statisticalData(text):
    # 统计每个词的词频
    counter = Counter(text)
    # 输出词频最高的15个单词
    pprint.pprint(counter.most_common(15))
复制代码

打印的结果:

真的是个不可多得的“好演员”啊,能将角色带入生活,即使肚中无货却仍用自己的表演能力为自己设立一个“学霸”人设,人物形象如此饱满,兴许这就是创作的艺术吧!

文章中说的最多的就是生活、角色、人物、性格这些词,这些正是一个好演员的精神所在,如果我们将这些词做成词云的话,可能效果会更好。

生成词云

词云生成这个部分我采用的是wordcloud库,使用起来非常简单,网上教程也有很多,这里需要提一点的就是:为了防止中文乱码情况的发生,需要配置font_path这个参数。中文字体可以选用系统的,也可以网上找,这里我推荐一个免费的中文字体下载的网址:www.lvdoutang.com/zh/0/0/1/1.…

下面是生成词云的代码:

# 数据可视化(生成词云)
def drawWordCloud(text, file_name):
    wl_space_split = " ".join(text)

    # 设置词云背景图
    b_mask = plt.imread('assets/img/bg.jpg')
    # 设置词云字体(若不设置则无法显示中文)
    font_path = 'assets/font/FZZhuoYTJ.ttf'
    # 进行词云的基本设置(背景色,字体路径,背景图片,词间距)
    wc = WordCloud(background_color="white",font_path=font_path, mask=b_mask, margin=5)
    # 生成词云
    wc.generate(wl_space_split)
    # 显示词云
    plt.imshow(wc)
    plt.axis("off")
    plt.show()
    # 将词云图保存到本地
    path = os.getcwd()+'/output/'
    wc.to_file(path+file_name)
复制代码

真假李逵(文章对比)

分析完了“李鬼”,我们有必要请出他的真身“李逵”兄弟了,同样还是和之前一样的套路,先找到数据,然后分词统计词频,这里就不重复操作了,直接放出词云图。

看到这图是不是觉得和翟的词云图异常相似,那么,这“真假李逵”之间到底有多像呢?接下来我们来计算下两篇文章的相似度吧。

文章相似度比较

TF-IDF

文章相似度的比较有很多种方法,使用的模型也有很多类别,包括TF-IDF,LDA,LSI等,这里方便起见,就只使用TF-IDF来进行比较了。

TF-IDF 实际上就是在词频 TF 的基础上再加入 IDF 的信息,IDF 称为逆文档频率,不了解的可以看下阮一峰老师的讲解:www.ruanyifeng.com/blog/2013/0…,里面对 TFIDF 的讲解也是十分透彻的。

Sklearn

scikit-learn 也简称 sklearn, 是机器学习领域当中最知名的 Python 模块之一,官方地址为:github.com/scikit-lear… Sklearn 中的模块TfidfVectorizer来计算两篇文章之间的相似度,代码如下:

# 计算文本相似度
def calculateSimilarity(s1, s2):
    def add_space(s):
            return ' '.join(cleanWord(s))
    
    # 将字中间加入空格
    s1, s2 = add_space(s1), add_space(s2)
    # 转化为TF矩阵
    cv = TfidfVectorizer(tokenizer=lambda s: s.split())
    corpus = [s1, s2]
    vectors = cv.fit_transform(corpus).toarray()
    # 计算TF系数
    return np.dot(vectors[0], vectors[1]) / (norm(vectors[0]) * norm(vectors[1]))
复制代码

除了Sklearn,我们还可以使用gensim调用一些模型进行计算,考虑到文章篇幅,就由读者自己去搜集资料实现吧。

我们将翟的论文和陈的论文分别传入该函数后,输出结果为:

两篇文章的相似度为:
0.7074857881770839
复制代码

其实这个结果我还是挺意外的,只知道这“李鬼”长得像,却没想到相似度竟然高达70.7%。当然,作为弟弟,翟的这个事和吴秀波的事比起来,那都不是个事。🙈

完整源码可在公众号:「01二进制」后台回复:「翟天临」获取

关注下面的标签,发现更多相似文章
评论