后端开发 \ Python \ 唐诗生成器

唐诗生成器

总点击385
简介: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。

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。

唐诗生成器


唐诗生成器

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. ↩

意见反馈 常见问题 官方微信 返回顶部