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。
近期，翟天临因“论文抄袭、学术造假”被推上风口浪尖，甚至连自己参演并准备播出的六部电视剧，也被央视要求全部删减，至此人设彻底崩塌，舆论哗然。
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。
目前北京电影学院已经撤销翟天临博士学位，取消陈浥博士研究生导师资格。
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
执行结果如下：
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：
- https://github.com/lancopku/pkuseg-python
它的 README 中说它是目前中文分词工具中效果***的。
为什么用哈工大的停用词表?停用词表的下载地址在：
- https://github.com/YueYongDev/stopwords
以下是几个常用停用词表的对比：
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).
停用词表对比研究：
- https://github.com/YueYongDev/stopwords
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***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***的15个单词
- pprint.pprint(counter.most_common(15))
打印的结果如下：
真的是个***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：
- http://www.lvdoutang.com/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。
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，里面对 TFIDF 的讲解也是十分透彻的。
- https://www.ruanyifeng.com/blog/2013/03/tf-idf.html
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：
- https://github.com/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。
