完整源码可在本公众号或者公众号「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
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
执行结果:
这里我提两点:
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:/lancopku/pkuseg-python,他的README中说他是目前中文分词工具中效果最好的。
为什么用哈工大的停用词表?
停用词表的下载地址在:/YueYongDev/stopwords。以下是几个常用停用词表的对比:
停用词表
效果较好的文本种类
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, , 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))
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:/zh/0/0/1/1.html
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)
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:/blog//03/tf-idf.html,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:/scikit-learn/scikit-learn,其包含了很多种机器学习的方式,下面我们借助于 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]))
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
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。?
完整源码可在本公众号或者公众号「01二进制」后台回复:「翟天临」获取
推荐阅读
今日问题
HITS算法是另外一个链接算法,部分原理与PageRank算法是比较相似的,你之前了解过吗?如果没有就查一下并回答一下见解,如果了解过可回答一下你对HITS算法的理解
打卡格式:打卡第n天,答:xxx