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。
csdn下载地址：http://download.csdn.net/detail/lijiancheng0614/9840952
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：
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：
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：
.datapoem.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：
.datapoem.txt
输出：
横向搭配.datacollocations_h
纵向搭配.datacollocations_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：
.datapoem.txt
输出：
主题.datatopics.txt
词.datawords
每个主题-词对应的得分.datatopic_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：
.datapoem.txt
输出：
起始词.datastart_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：
maxs.t.∏i=2ncollocations_h_score[a[i−1]][a[i]]+λ∑i=1ntopic_word[topic_id][a[i]]∑i=1nlen(word[a[i]])=la[1]=start_word
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，λ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],⋯,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]}+λtopic_word[j]
其中(k,j)为一个横向搭配。
初始时f[len(start_word_id)][start_word_id]=λtopic_word[start_word_id]。
最后最优值为f[l][j],∀j，路径可通过与ff同大小的矩阵prepre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}maxs.t.∏i=2ncollocations_h_score[a[i−1]][a[i]]+λ1∏i=1ncollocations_v_score[pre_a[i]][a[i]]+λ2∑i=1ntopic_word[topic_id][a[i]]len(word[a[i]])=len(word[pre_a[i]]),i=1,n
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，λ1,λ2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
f[i][j]=max{f[i−1][k]+log_collocations_h_score[k][j]+λ1log_collocations_v_score[pre_a[i]][j]}+λ2topic_word[j]
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{λ1log_collocations_v_score[pre_a[i]][j]}+λ2topic_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：
.datacollocations_v
.datacollocations_h
.datawords.txt
.datatopic_words
.datastart_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。
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
“结巴”中文分词. https://github.com/fxsjy/jieba ↩TF-IDF. 维基百科. 最后修订于2015年9月27日. https://zh.wikipedia.org/wiki/TF-IDF ↩sklearn.feature_extraction.text.TfidfTransformer. scikit-learn developers. http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfTransformer.html ↩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 ↩sklearn.decomposition.NMF. scikit-learn developers. http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html ↩He J,Zhou M,Jiang L. Generating chinese classical poems with statistical machine translation models[C]//Twenty-Sixth AAAI Conference on Artificial Intelligence. 2012. ↩
