总结 #

源代码仓库：OceanPresentChao/HyoukaSocialNetwork

Demo：演示

研究背景 #

社交网络在维基百科的定义是“由许多节点构成的一种社会结构。节点通常是指个人或组织，而社交网络代表着各种社会关系。”在互联网诞生前，社交网络分析是社会学和人类学重要的研究分支。早期的社交网络的主要指通过合作关系建立起来的职业网络，如科研合作网络、演员合作网络等。

小说、动画、电影等作品为人们创建了一个虚构世界，我们很容易想到在其中也有可能隐含着一个社交网络。对虚构作品的社交网络进行分析有利于我们更好地理解作品，把握作者对作品中的人物与事的关注程度，从量化理性的角度对作品进行分析。

动画、电影等作品由于创作形式本身的特点，包含大量图像、音频，抽象层级高，难以进行信息提取和量化。而小说采用文本的形式，对作品中的人物有较为明确的指代关系，同时现在对文本的分词算法相当成熟，还有类如NLP的对文本进行情感分析的技术，通过计算机对小说等文本作品的分析门槛低，准确率高。

本次实验对日本推理作家米泽穗信2001年创作的小说《冰菓》前四部的社交网络进行了分析研究。

研究方法 #

文本预处理 #

获取到小说原文本后首先对其进行文本预处理。去除小说中的章节名称、注释、转义字符串等，保证被处理的文本的纯净度防止对后续的分词操作产生影响。

除此之外我们需要对《冰菓》小说的特点进行总结，便于在研究时采用合适的方法进行分析：

1. 《冰菓》是一本日本推理小说
2. 《冰菓》采用第一人称描写
3. 《冰菓》第三部采用了多视角切换的描写方法
4. 《冰菓》约80%的人物只在一部中出现
5. 《冰菓》以人物间对话描写为主

小说词典 #

为了准确地提取出小说中的人物，需要根据小说内容构建小说人物名称词典，对于国内的小说使用python的 HarvestText 直接进行分词能有不错的效果，但《冰菓》是日本的小说，HarvestText 对日本人名的分词准确率较低。具体问题具体分析，制作一个专属的词典提高分词准确率是必要的。

表格 1 《冰菓》中出现的人物（部分）

除了人物正式名称的词典，在小说内同一个人可能会有不同的称呼。比如千反田对折木的称呼是折木同学，而里志对折木的称呼是奉太郎。这点同样需要人工提取出来，生成一个同义词词典。

词典制作完成后使用 Harvesttext 的 add_entities 函数生成实体链接。实体链接给定某些实体及其可能的代称，以及实体对应类型。将其登录到词典中，在分词时优先切分出来，并且以对应类型作为词性，也可以单独获得语料中的所有实体及其位置。

表格 2 《冰菓》中对福部里志的称呼

人物出场次数 #

分段分句 #

获得处理后的文本，需要对其进行分段并分句，分段分句工具采用Python的 HarvestText 库，它的分词工具依赖于jieba库，jieba库作为相当知名的中文分词工具之一，具有轻量性和便捷性，其内置了部分词典，也可以使用用户自定义词典，准确率较高。对整体文本进行分句后得到每一部的语句数组。

指代消解 #

在信息抽取中，由于用户关心的事件和实体间语义关系往往散布于文本的不同位置，其中涉及到的实体通常可以有多种不同的表达方式，为了更准确且没有遗漏地从文本中抽取相关信息，必须要对文本中的指代现象进行消解。

例如：

(1) 李明怕高妈妈一人呆在家里寂寞，他便将家里的电视搬了过来。

(2) 人们都想创造美好的世界留给孩子，这可以理解，但不完全正确。

上面两个例子中的加粗部分，很明显依赖于前文。

在语言学把用于指向的语言单位（上面例子中的粗体部分）称为照应语（或指代语Anaphor），被指向的语言单位（具体的实体）称为先行语（或先行词Antecedent）。而确定照应语所指的先行语的过程就是指代消解。

根据2.1中所提到的小说《冰菓》的特点2和5：采用第一人称描写以及大多是人物间对话的描写。《冰菓》文本的指代消解工作就显得尤为困难。我在实验初期寻找了多个中文NLP库，但结果都很不理想，深感想要精确地使用算法进行指代消解并非我所能及的事。

因此我采用了将“我”均指代为主角“折木奉太郎”，同时忽略人物对话间的代词避免一些不是指代主角的代词“我”被错误识别。根据2.1中提到的特点3，小说第三部采用了多视角的写法，因此需要把4位主要人物各自视角的文本提取出来，再分别修改“我”的指代进行统计。

统计人物出场次数 #

命名实体识别（英语：Named Entity Recognition），简称NER，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等，以及时间、数量、货币、比例数值等文字。

通过遍历2.3.1中获得的语句数组，对每一句进行分词，命名实体识别，将词性为“人名”的词单独提取出来，由于经过了2.2实体链接的处理，同一人物不同的称呼出现啊的次数会被统计在人物的正式名称下。最终可以得到《冰菓》中所有出场人物的出场次数。

人物关联度 #

利用邻近共现关系。每当一对实体在两句话内同时出现，就可以证明这两个人物间存在关联。同时出现的次数越多，就说明这两者的关联度越高。通过遍历整本小说可以得到所有出场人物间的关联度。

建立社交网络 #

经过2.3和2.4，获得了每个人物的出场次数和人物之间的关联程度。将每个人物抽象成一个节点，以出场次数为点权，两个人物间的关联程度为边权，可以建立小说《冰菓》的社交网络图。

使用ECharts可视化库将社交网络图绘制如下：

人物中心度 #

仅仅根据出场次数并不能说明该人物在小说中的重要程度，一个图中的结点重要性不仅依赖于其自身，还依赖于其周边的结点的重要性。使用PageRank算法计算小说中每个人物的重要程度。

PageRank，又称网页排名、谷歌左侧排名，是一种由搜索引擎根据网页之间相互的超链接计算的技术，而作为网页排名的要素之一，以Google公司创办人拉里·佩奇（Larry Page）之姓来命名。Google用它来体现网页的相关性和重要性，在搜索引擎优化操作中是经常被用来评估网页优化的成效因素之一。

假设一个由4个节点组成的群体：A，B，C和D。如果所有节点都只链接至A，那么A的PR（PageRank）值将是B，C及D的Pagerank总和。

1. PR(A) 是节点A的PR值
2. PR(Ti)是节点Ti的PR值，在这里，节点Ti是指向A的所有节点中的某个节点
3. C(Ti)是节点Ti的出度，也就是Ti指向其他节点的边的个数
4. d 为阻尼系数

对2.5中建立的图进行PageRank算法我们可以得到小说中前5重要的人物：

评论词云 #

使用爬虫技术获取B站用户对于2012年动画版《冰菓》近300条评论。使用TextRank算法对评论的关键词进行提取统计得到了B站用户的评论词云，排名前10的关键词为：

总结 #

本次实验对小说《冰菓》的社交网络进行了分析，统计了小说中人物的出场次数和关联程度，建立了小说中的社交网络，使用PageRank算法计算了每个人物的重要度并对社交媒体上对《冰菓》的评论进行了分析讨论。

实验综合运用了文本处理、图论、爬虫、网页制作等技术，成果有趣，但在内容深度上有待提高，对算法研究程度不够深入。