统计学研究生挖掘99个高频词汇编号码 武大博导说，这只是一个文字游戏

　　一位学习统计学的网友，利用所学将《全宋词》中出现的99个“高频词汇”统计出来，发在博客上。没想到，这篇博文很快就被大量转载，并有网友利用这些高频词汇重新“写词”。圆周率、生日、身份证号码都可以组成一首形式上的“宋词”。

　　在江汉大学刚刚举办的“诗词吟诵暨诗歌大赛颁奖会”上，不少学生讨论这个话题。真的存在网友说的“自动写词机”吗？记者展开采访调查。

　　《全宋词》中的99个高频词汇

　　话题的“始作俑者”是一位学习统计学的研究生，网名“yixuan”，他在博客上发表一篇文章：“突然想看看宋词里面什么样的意象是最常见的，比如可以做个频率分析什么的。当然文本挖掘需要分词，我没法在其中花太多时间，于是想出了一个土办法。”

　　宋词的句子都很短，最常见的词语一般是两三个字，这样可能的组合就更少了。比如“犹解嫁东风”这句话，可能的二字组合是“犹解”“解嫁”“嫁东”“东风”，三字组合是“犹解嫁”“解嫁东”“嫁东风”，词的字数越多，可能的组合就越少。

　　“yixuan ”统计出99个《全宋词》中的高频词汇。排在前面的依次为“东风(1382次)、何处(1230次)、人间(1202次)、风流(857次) 、归去(812次、)春风(802次)、西风(779次)、归来(771次)、江南(765次)。

　　“yixuan ”的这篇博文一发出来，很快就被另外一家网站转载，大量网友被这个有趣的话题吸引，纷纷发帖评论。

　　高频词汇被演绎成“自动写词机”

　　在大量评论后面，一位名叫“达芬奇的鸡蛋”发现，利用这些“高频词汇”的代码，可以随意拼凑出一首首宋词来。比如用“圆周率”的数字排序，结果就是：回首明月(一看就是抒情诗)

　　悠悠心事空

　　西湖何事寂寞中

　　风吹斜阳匆匆

　　芳草平生斜阳

　　风吹寂寞今日

　　一枝富贵年年

　　断肠长安不知

　　一时间，众多网友用自己的身份证号码、各种数字组合来“写宋词”。如网友“叶绿彘”的“作品”是：“东风何处？人间风流。归去春风，西风归来。江南相思，梅花千里。回首明月，多少如今？阑干年年万里，一笑黄昏当年……”

　　记者用多位同事的身份证号码、生日号码等，套用这些代码，果然也能产生出一首首有模有样的“宋词”。

　　原意不是为了“写词”

　　看到帖子被大量转发，“yixuan ”在自己的博客上又写了一篇解释，他说，“自动写词机”并不是我的创意，也不是我的初衷。

　　“yixuan ”说：“我学的专业是统计和精算，平时会和各种类型的数据打交道，之前写那篇博文也是出于兴趣，想利用学到的专业知识来对一些实际问题进行分析。”

　　他说，很多人肯定都会提到“自动写词机”，就比如拿生日、QQ、物理常数等套用里面的排序来“写词”。但我想说的是，这其实不是我的创意，也不是我写那篇博文的初衷。如果大家看过那篇转帖，就会发现大家开始“狂欢”是因为“达芬奇的鸡蛋”的创意，而词频统计本身并没有任何特殊之处。

　　事实上，大家可能听说过“文本挖掘”这个名词，它就是对文本数据进行分析，来得到有用的结论。文本挖掘是个很复杂的过程，牵涉到分词、词频统计、特征选择、聚类等等，如果大家对这一块内容有所了解的话，就会知道词频统计是一个很平凡的过程。

　　“yixuan”说：可能有些朋友觉得我得到宋词的词频是一件技术含量很高的活儿，但从技术层面上来讲，我做的那些东西也并无任何高级之处(当然需要有一些编程经验)。

　　只是一个文字游戏

　　这99个“高频”词汇真的有那么神奇？昨天，武汉大学文学院博导王兆鹏教授看了后评论说：“这只是一个文字游戏”。

　　王兆鹏说，汉语语言中，诗词的语序不需要确定性，同时汉语语言具有多义性。很多词语组合起来，都可以说得通。比如我们说“吃饭”大家能听懂，但说“饭吃”，也能理解是怎么回事。

　　从严格意义上说，通过这99个编码做成的“词”，平仄完全不符合要求，也不符合词牌的要求。但形式上挑不出什么毛病，也有一点词的味道。

　　王兆鹏说，宋词是一种文学艺术，讲究独创性和意境，读者通过读诗词能够看到里面的意境，这是艺术。“如果写词这么容易，那谁都可以写词了。”

　　不过，王兆鹏也认为“yixuan ”的做法很有创意，“能从这么多词中总结出99个高频词汇，是需要花功夫的，也说明这个学生很努力，这是一个比较高级的文字游戏，虽然谈不上有什么文学意义。”

　　中南财经政法大学统计与数学学院博导李占风教授说，利用统计学原理确实可以在诗词等文学作品中，做一些研究工作，这位学生学以致用，值得表扬。

　　记者翁晓波 实习生 左思琪