1. 环境
  2. 运行方法
  3. 实现
    1. 预处理
    2. 分词
    3. 生成搭配
    4. 生成主题
    5. 生成起始词
    6. 生成唐诗
    7. 实现网站
  4. 总结与展望
  5. 参考

使用唐诗语料库，经过去噪预处理、分词、生成搭配、生成主题等过程，生成唐诗。

github上repository地址：https://github.com/lijiancheng0614/poem_generator

环境

  • Python 2.7

  • Flask

  • jieba

运行方法

如果是第一次运行，则需要安装相关的库及生成初始数据：

1
2
3
4
5
6
pip install flask
pip install jieba
python preprocess.py
python get_collocations.py
python get_topic.py
python get_start_words.py

以后只需要输入以下代码即可运行网站：

1
python index.py

实现

预处理

观察到给定的唐诗语料库存在以下噪声：

  • 诗句中出现类似<img height=32 width=32 border=0 src=/bzk/QLXQ.bmp >的HTML标签。

  • 出现空格、“.”等字符。

  • 诗句中出现注释，用“（”、“）”标出来。

  • 诗句不完整，出现方框字符。

对于前三种情况的噪声，直接去掉即可。对于最后一种噪声，直接把这行诗句忽略考虑。（此外，对于第三种噪声，“（”、“）”不在同一行时未处理。）

由于暂时只需要用到唐诗标题和诗句，故只提取这两部分内容。

相关代码实现在preprocess.py。

输入：

  • .\data\唐诗语料库.txt

输出：

  • .\data\poem.txt

分词

对于中文分词，这里采用在工业界上较广泛应用的“结巴”中文分词组件1。该分词组件主要采用以下算法：基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG）；采用动态规划查找最大概率路径，找出基于词频的最大切分组合；对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法。

由于唐诗中的每一个字基本都是有用的，故停用词（Stop Words）主要为标点符号，这里直接使用默认的停用词。

生成搭配

搭配包括横向搭配和纵向搭配。横向搭配指每句诗中每个词与下一个词的搭配关系，纵向搭配指每两句诗中，第一句诗中的词与下一句诗中对应相等长度的词的搭配关系。

分词之后把唐诗（不含标题）按句子切割，对句子总数为偶数的唐诗，遍历每两句诗，第一句诗中的词与第二句诗中对应相等长度的词形成一个纵向搭配。对每一句诗，每两个词形成一个横向搭配。

易知，使用似然比、频率、t检验等搭配发现方法都能得到较好结果，这里为了方便，直接使用频率来发现搭配。

相关代码实现在get_collocations.py。

输入：

  • .\data\poem.txt

输出：

  • 横向搭配.\data\collocations_h
  • 纵向搭配.\data\collocations_v

生成主题

对每首诗，提取TF-IDF2特征并构建矩阵3，然后使用非负矩阵分解（Non-negative matrix factorization, NMF）45提取唐诗主题类别。考虑到唐诗分类数量有限，这里只生成10个类，每个类用频率最高的20个词来表示。

相关代码实现在get_topic.py。

输入：

  • .\data\poem.txt

输出：

  • 主题.\data\topics.txt
  • 词.\data\words
  • 每个主题-词对应的得分.\data\topic_words

生成起始词

对每首诗，分词后取第一句诗的第一个词作为起始词。统计所有起始词，并输出出现超过两次的词。

相关代码实现在get_start_words.py。

输入：

  • .\data\poem.txt

输出：

  • 起始词.\data\start_words.txt

生成唐诗

由于前期并没有平仄处理，也没有对唐诗语料库作过多的要求，因此，生成的唐诗可能对仗不太工整。

输入的参数除了上述生成的部分文件（如搭配、主题等）外，还需要指定诗句数量、诗句长度、主题和起始词（若不指定则随机产生）。

对于给定诗句长度\(l\), 起始词\(start\_word\)和主题\(topic\_id\)，设\(a[i]\)为第\(i\)个词的id，我们可以把产生第一句诗抽象成一个子问题：

\[\begin{array}{cl} \max & \prod_{i = 2}^n collocations\_h\_score[a[i - 1]][a[i]] \\ & + \lambda \sum_{i = 1}^n topic\_word[topic\_id][a[i]] \\ \text{s.t.} & \sum_{i = 1}^n len(word[a[i]]) = l \\ & a[1] = start\_word \end{array}\]

其中\(collocations\_h\_score[a[i - 1]][a[i]]\)表示第\(i - 1\)个词与第\(i\)个词的横向搭配分数，\(\lambda\)为平衡参数。若以上问题的最优解为\(a[i]\)，那么所生成的较为合理的第一句诗即\(word[1], word[2], \cdots, word[n]\)。

显然，对于该问题，可以把目标函数中的乘积部分用\(\log\)来使其变成求和。于是该问题可以用动态规划来求解：

设\(f[i][j]\)表示长度为\(i\)，最后一个单词id为\(j\)的最大目标函数值，则
\[f[i][j] = \max \{ f[i - len(word[j])][k] + log\_collocations\_h\_score[k][j] \} + \lambda topic\_word[j]\]

其中\((k, j)\)为一个横向搭配。

初始时\(f[len(start\_word\_id)][start\_word\_id] = \lambda topic\_word[start\_word\_id]\)。

最后最优值为\(f[l][j], \forall j\)，路径可通过与\(f\)同大小的矩阵\(pre\)来记录前一个单词的id。

而产生下一句诗，则需要考虑纵向搭配。同理我们也可以把产生下一句诗抽象成一个子问题：

\[\begin{array}{cl} \max & \prod_{i = 2}^n collocations\_h\_score[a[i - 1]][a[i]] \\ & + \lambda_1 \prod_{i = 1}^n collocations\_v\_score[pre\_a[i]][a[i]] \\ & + \lambda_2 \sum_{i = 1}^n topic\_word[topic\_id][a[i]] \\ \text{s.t.} & len(word[a[i]]) = len(word[pre\_a[i]]), i = 1, \cdots, n \end{array}\]

其中\(pre\_a[i]\)表示上一句诗的第\(i\)个词的id，\(collocations\_v\_score[pre\_a[i]][a[i]]\)表示上一句诗第\(i\)个词与这一句诗第\(i\)个词的纵向搭配分数，\(\lambda_1, \lambda_2\)均为平衡参数。同理也用动态规划来求解：

设\(f[i][j]\)表示第\(i\)个词，最后一个单词id为\(j\)的最大目标函数值，则
\[\begin{array}{cl} f[i][j] & = \max \{ f[i - 1][k] + log\_collocations\_h\_score[k][j] \\ & + \lambda_1 log\_collocations\_v\_score[pre\_a[i]][j] \} \\ & + \lambda_2 topic\_word[j] \end{array}\]

其中\((k, j)\)为一个横向搭配，\((pre\_a[i], j)\)为一个纵向搭配。

初始时\(f[0][j] = \max \{ \lambda_1 log\_collocations\_v\_score[pre\_a[i]][j] \} + \lambda_2 topic\_word[j]\)

求最优值与最优解方法同上。

相关代码实现在generate_poem.py。

输入：

  • .\data\collocations_v
  • .\data\collocations_h
  • .\data\words.txt
  • .\data\topic_words
  • .\data\start_words.txt

输出：

  • 屏幕中输出随机生成的唐诗。

实现网站

为了更好的用户体验，可以把随机和成的唐诗写成一个网站“古诗生成器”。若是用户没有输入，则随机生成唐诗；若是用户输入第一句诗或更多句诗，则生成剩下的诗。

具体的实现使用Flask框架，由于只是demo，只使用了bootstrap作为样式，并未过多设计，具体效果如下图所示。

随机生成唐诗
给定第一句生成唐诗

总结与展望

总的来说，这个系统生成的唐诗还只是基本符合搭配和主题尽可能相关的要求，平仄、主旨等唐诗的属性还有待改进。今后可以考虑生成更精确、更有意义的唐诗，如文献6提供了一种解决方案。期待以后能做出更好的效果！

参考

  1. “结巴”中文分词. https://github.com/fxsjy/jieba↩︎

  2. TF-IDF. 维基百科. 最后修订于2015年9月27日. https://zh.wikipedia.org/wiki/TF-IDF↩︎

  3. sklearn.feature_extraction.text.TfidfTransformer. scikit-learn developers. http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfTransformer.html↩︎

  4. Non-negative matrix factorization. Wikipedia. 最后修订于2015年12月1日. https://en.wikipedia.org/wiki/Non-negative_matrix_factorization↩︎

  5. sklearn.decomposition.NMF. scikit-learn developers. http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html↩︎

  6. He J, Zhou M, Jiang L. Generating chinese classical poems with statistical machine translation models[C]//Twenty-Sixth AAAI Conference on Artificial Intelligence. 2012.↩︎