基于樸素貝葉斯分類器的古詩(shī)詞作者爭(zhēng)議檢測(cè)

黃瑋 冉啟斌

內(nèi)容提要：本文收集了《蝶戀花（庭院深深深幾許）》等六首作者存在爭(zhēng)議的作品所涉及作者的其他作品作為訓(xùn)練語(yǔ)料，經(jīng)過(guò)分詞和特征提取后，使用樸素貝葉斯分類器學(xué)習(xí)作者特征，隨后對(duì)爭(zhēng)議作品進(jìn)行作者判斷。判斷結(jié)果詳細(xì)顯示了各首爭(zhēng)議作品的作者可能性，除《生查子·元夕》外，其余判斷結(jié)果與文獻(xiàn)考證的契合度較高。本文還收集了三組唐朝并稱詩(shī)人——“元白”“皮陸”“小李杜”的作品，使用樸素貝葉斯分類器進(jìn)行作者判斷，取得了較好的效果，進(jìn)一步驗(yàn)證了該方法在作者檢測(cè)上的有效性。

關(guān)鍵詞：作者爭(zhēng)議 作品風(fēng)格特征 樸素貝葉斯分類器 古詩(shī)詞

引言

古代文學(xué)作品中存在不少作者有爭(zhēng)議的情況。以往面對(duì)這些爭(zhēng)議，研究者主要基于文獻(xiàn)證據(jù)和主觀經(jīng)驗(yàn)來(lái)判斷，缺乏比較客觀的參數(shù)衡量。進(jìn)入19世紀(jì)，隨著生產(chǎn)力的不斷發(fā)展，數(shù)學(xué)等相關(guān)工具也逐漸被應(yīng)用到作者識(shí)別研究中。①

Mendenhall較早嘗試量化作品的風(fēng)格特征，使用詞譜和特征曲線對(duì)莎士比亞的戲劇等不同作品進(jìn)行作者歸屬判斷。②隨后又有學(xué)者從特殊詞出現(xiàn)的頻率和分布特征、功能詞的頻率、詞匯量等角度衡量作品的風(fēng)格特征，判斷作者的歸屬。③在國(guó)內(nèi)也有不少學(xué)者采用量化作品風(fēng)格的方式對(duì)中文作品展開(kāi)研究，并且研究方法和研究對(duì)象具有多樣性和廣泛性，既有傳統(tǒng)的模型，也有新開(kāi)發(fā)的模型，既有對(duì)古典詩(shī)詞、小說(shuō)等的研究，也有對(duì)現(xiàn)當(dāng)代散文、微博等的研究。

胡俊峰等較早采用計(jì)算語(yǔ)言學(xué)的方法提取了唐宋詩(shī)中的詞匯，總結(jié)詞匯的共現(xiàn)關(guān)系、對(duì)仗關(guān)系以及詞匯的作者分布特征信息，開(kāi)發(fā)了基于詞匯的統(tǒng)計(jì)分析和詩(shī)句相似性檢索等功能。④易勇等基于機(jī)器學(xué)習(xí)的樸素貝葉斯算法等方法，對(duì)詩(shī)詞文本采用向量空間模型表示，首次提出了中國(guó)古代詩(shī)人李白和杜甫作品判別的計(jì)算模型，獲得較高的判別準(zhǔn)確度。⑤胡韌奮等基于樸素貝葉斯和支持向量機(jī)算法構(gòu)造文本分類器，提出唐詩(shī)題材自動(dòng)分類模型。①祁瑞華系統(tǒng)地介紹了作者身份識(shí)別的原理、算法和應(yīng)用等一系列問(wèn)題，并做了中文微博作者身份、作者性別識(shí)別實(shí)驗(yàn)。②范亞超等采用降噪自編碼器深度模型提取吳承恩、王廷陳、薛蕙等人詩(shī)詞的文本結(jié)構(gòu)特征，再采用支持向量機(jī)分類器進(jìn)行作者識(shí)別，并進(jìn)一步將該方法應(yīng)用于《西游記》詩(shī)詞的作者識(shí)別中。③張航等將雙向循環(huán)神經(jīng)網(wǎng)絡(luò)運(yùn)用到中文古詩(shī)詞風(fēng)格分類中，構(gòu)建了基于深度神經(jīng)網(wǎng)絡(luò)的中文古詩(shī)詞文本分類模型，提高了分類效果。④陳汝嫣采用定量研究方法，提取魯迅和周作人多篇散文的“語(yǔ)言指紋”，通過(guò)N-gram和依存關(guān)系建立分類模型，推測(cè)篇章歸屬。⑤宋麗等采用假設(shè)檢驗(yàn)、文本聚類、文本分類、波動(dòng)風(fēng)格計(jì)量等方法考察《水滸傳》的寫作風(fēng)格，為其作者身份認(rèn)定提供參考。⑥周愛(ài)等提出了一種雙通道的集成模型完成唐詩(shī)作者身份識(shí)別任務(wù)。⑦周睿等采用應(yīng)用計(jì)量風(fēng)格學(xué)的研究范式來(lái)判定《醒世姻緣傳》的作者歸屬。⑧

在中國(guó)古典詩(shī)詞中，有的作品由于編者訛誤或作者風(fēng)格相近等原因，常常產(chǎn)生作者歸屬的爭(zhēng)議問(wèn)題。例如《蝶戀花》（庭院深深深幾許），分別出現(xiàn)在馮延巳和歐陽(yáng)修的作品集中，但由于年代久遠(yuǎn)，真相已經(jīng)不可考證，后世學(xué)者也大多是從作者的創(chuàng)作背景、任職經(jīng)歷和讀者的主觀感受等方面來(lái)推斷作品的作者歸屬，常常各執(zhí)一言，難有定論。對(duì)于這些詩(shī)詞作者爭(zhēng)議，從機(jī)器學(xué)習(xí)方面做出回應(yīng)的研究還比較少見(jiàn)。

本文擬集中分析《蝶戀花》（庭院深深深幾許）等六首通常被認(rèn)為作者有爭(zhēng)議的作品，通過(guò)收集爭(zhēng)議所涉及作者的其他作品作為訓(xùn)練語(yǔ)料，經(jīng)過(guò)分詞和特征提取后，使用樸素貝葉斯分類器來(lái)判斷爭(zhēng)議作品的作者歸屬，希望對(duì)相關(guān)爭(zhēng)議提供一定參考。本文還有一項(xiàng)補(bǔ)充實(shí)驗(yàn)，即收集三組唐朝并稱詩(shī)人——“元白”“皮陸”“小李杜”的作品，在訓(xùn)練樸素貝葉斯分類器以后對(duì)作品進(jìn)行作者判斷，以檢測(cè)本文所用方法的有效性。

一實(shí)驗(yàn)材料

（一）詩(shī)詞作者爭(zhēng)議情況

本文要分析的六首作者有爭(zhēng)議的詩(shī)詞是：《蝶戀花》（庭院深深深幾許）、《蝶戀花》（簾幕風(fēng)輕雙語(yǔ)燕）、《生查子·元夕》（去年元夜時(shí)）、《菩薩蠻》（哀箏一弄湘江曲）、《題白云樓》（西北樓開(kāi)四望通）、《清明》（清明時(shí)節(jié)雨紛紛）。下面簡(jiǎn)單梳理一下這六首作品的作者爭(zhēng)議問(wèn)題。

歐陽(yáng)修的大部分艷情詞，風(fēng)格和藝術(shù)手法與南唐詞相近，《蝶戀花》（庭院深深深幾許）既見(jiàn)于馮延巳《陽(yáng)春集》，又見(jiàn)于歐陽(yáng)修詞集。⑨該詞的作者，在朱彝尊、汪森《詞綜》和周濟(jì)《詞辯》中作馮延巳，在張惠言《詞選》中作歐陽(yáng)修。①《全宋詞》沒(méi)有收錄該詞，認(rèn)為是五代時(shí)期馮延巳所作，曾昭岷等編的《全唐五代詞》也認(rèn)為是馮氏之作。②而于此之外，很多論者據(jù)李清照之說(shuō)將該詞定為歐陽(yáng)修之作，“因?yàn)槔钋逭帐乾F(xiàn)在所能見(jiàn)到的最早提到這首詞的古人”③。

《蝶戀花》（簾幕風(fēng)輕雙語(yǔ)燕）的作者也有爭(zhēng)議，曾慥《樂(lè)府雅詞》將該詞收錄在歐陽(yáng)修名下，況周頤《歷代詞人考略》認(rèn)為該詞為晏殊所作。④明代詞選如《類編草堂詩(shī)余》《天機(jī)余錦》等多將該詞歸為晏殊，后世學(xué)者也多默認(rèn)該詞為晏殊所作。⑤

《生查子·元夕》一詞見(jiàn)于《歐陽(yáng)文忠集》，明代楊慎《詞品》將該詞定為朱淑真所作，毛晉刊刻《斷腸詞》又承襲楊慎做法將該詞歸為朱氏。⑥但是，唐圭璋以清代《池北偶談》《四庫(kù)提要》等為證據(jù)論證該詞為歐陽(yáng)修所作，認(rèn)為楊慎將該詞歸為朱淑真是失誤。⑦胡云翼也提供《樂(lè)府雅詞》《蕙風(fēng)詞話》等證據(jù)證明該詞為歐陽(yáng)修所作。⑧在后世學(xué)者的研究中，也還沒(méi)有定論。

《菩薩蠻》（哀箏一弄湘江曲）的作者是晏幾道還是張先也有爭(zhēng)議。張先和晏殊齊名，風(fēng)格與南唐李氏父子和馮延巳相似，而晏幾道的詞風(fēng)又深受晏殊的影響，所以三人的《菩薩蠻》容易混淆。⑨王鵬運(yùn)校勘《草堂詩(shī)余》、黃蘇《蓼園詞選》、李文林《詩(shī)余協(xié)律》認(rèn)為該詞為張先所作，清末朱祖謀輯?！缎∩皆~》則將該詞歸為晏幾道。⑩吳熊和、沈松勤校注的《張先集編年校注》引用唐圭璋的《張子野詞跋》也認(rèn)為該詞為晏幾道所作。

吳在慶校注的《杜牧集系年校注》將《題白云樓》編在《集外詩(shī)一》內(nèi)。吳在慶指出，該詩(shī)可能是并非杜牧親作的“集外詩(shī)＂，并且《四部叢刊》景宋本《丁卯集》（許渾作）也收有該詩(shī)，題作《漢水傷稼》。因而，該詩(shī)常被視作許渾所作。鈴木修次等根據(jù)“復(fù)句”的使用情況認(rèn)定該詩(shī)應(yīng)為許渾所作。王輝斌從詩(shī)題、任職經(jīng)歷、旁詩(shī)證據(jù)等方面論證該詩(shī)并非許渾所作，而是杜牧所作。在后來(lái)的研究中，也沒(méi)有定論。除《題白云樓》外，《清明》也被《杜牧集系年校注》收在“集外詩(shī)”中，該詩(shī)的作者到底是杜牧、許渾還是宋祁，也有一定爭(zhēng)議，但流傳甚廣的說(shuō)法是杜牧所作。

可見(jiàn)，傳統(tǒng)上對(duì)詩(shī)詞作者的認(rèn)定比較依賴于研究者的主觀經(jīng)驗(yàn)，大多從作品內(nèi)容和作者經(jīng)歷等方面著手，結(jié)合文獻(xiàn)記載進(jìn)行論證，而采用機(jī)器學(xué)習(xí)的辦法對(duì)上述詩(shī)詞的作者進(jìn)行判斷的研究還比較少見(jiàn)。本文分別收集了上述詩(shī)詞所涉作者一定數(shù)量的作品作為訓(xùn)練材料，通過(guò)機(jī)器學(xué)習(xí)的方式形成各作者的特征集合，然后將六首有爭(zhēng)議的詩(shī)詞分別放入分類器中進(jìn)行作者判斷。具體方法見(jiàn)后文。

（二）詩(shī)詞數(shù)據(jù)集

本文把檢測(cè)作者爭(zhēng)議所用到的詩(shī)詞文本材料統(tǒng)稱為詩(shī)詞數(shù)據(jù)集。詩(shī)詞數(shù)據(jù)集中包含詩(shī)詞訓(xùn)練語(yǔ)料和詩(shī)詞測(cè)試語(yǔ)料。詩(shī)詞測(cè)試語(yǔ)料主要就是上文所述的六首作者存在爭(zhēng)議的詩(shī)詞作品，其次是后文補(bǔ)充實(shí)驗(yàn)中所用到的三組唐朝并稱詩(shī)人的作品，這部分測(cè)試語(yǔ)料后文再介紹。

詩(shī)詞訓(xùn)練語(yǔ)料包含我們收集的各位作者的作品，其中歐陽(yáng)修、馮延巳、晏殊和朱淑真的作品各3980字，晏幾道和張先的作品各9312字，體裁均為詩(shī)和詞；杜牧、許渾和宋祁的作品各5040字，體裁為七律和七絕，不包括五言詩(shī)。詩(shī)詞訓(xùn)練語(yǔ)料和測(cè)試語(yǔ)料的情況如表1所示（補(bǔ)充實(shí)驗(yàn)的訓(xùn)練語(yǔ)料見(jiàn)后文；測(cè)試語(yǔ)料文本見(jiàn)附錄）。

需要說(shuō)明的是，本文盡可能多地收集各位作者的作品，但由于機(jī)器學(xué)習(xí)對(duì)訓(xùn)練文本的長(zhǎng)短比較敏感，因此，在收集語(yǔ)料時(shí)只能適應(yīng)作品較少的作者。例如，朱淑真流傳下來(lái)的作品，相對(duì)于歐陽(yáng)修、馮延巳和晏殊來(lái)講是比較少的，因此只能從后三者的作品中篩選一部分出來(lái)組成和朱淑真作品字?jǐn)?shù)相當(dāng)?shù)恼Z(yǔ)料；而晏幾道和張先流傳下來(lái)的作品都比較多，因此這一組的訓(xùn)練語(yǔ)料字?jǐn)?shù)較多。此外，訓(xùn)練語(yǔ)料和測(cè)試語(yǔ)料中均已將標(biāo)點(diǎn)符號(hào)刪除，并以簡(jiǎn)體漢字形式存儲(chǔ)。

二實(shí)驗(yàn)方法

（一）文本預(yù)處理

與英文等以空格標(biāo)記詞語(yǔ)邊界的文字系統(tǒng)不同，中文的詞語(yǔ)之間一般沒(méi)有專有的區(qū)分標(biāo)記，因而分詞是中文文本處理的一項(xiàng)基礎(chǔ)技術(shù)。目前常見(jiàn)的中文分詞方法主要有基于詞典的字符串匹配方法、基于概率計(jì)算的統(tǒng)計(jì)方法，近年來(lái)，基于卷積神經(jīng)網(wǎng)絡(luò)、雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、雙向門限循環(huán)單元、BERT預(yù)訓(xùn)練模型等的深度學(xué)習(xí)方法也逐漸興起。①

本文采用的分詞方法為jieba分詞②。jieba分詞結(jié)合了字符串匹配分詞和統(tǒng)計(jì)分詞，不僅實(shí)現(xiàn)了隱馬爾可夫模型和Viterbi算法，還支持自定義詞典，具有較高的實(shí)用性和便捷性。需要說(shuō)明的是，jieba分詞主要是面向現(xiàn)代漢語(yǔ)的分詞方法，在古代漢語(yǔ)分詞上的效果略遜于專門用于古漢語(yǔ)處理的自然語(yǔ)言處理包。①本文采用jieba分詞，一方面是考慮到它的便捷性，另一方面也考慮到詩(shī)詞中某些多字詞和詞組在詩(shī)詞中大量使用或已經(jīng)具有特定的意象意義，使用面向現(xiàn)代漢語(yǔ)的分詞工具也比較合理。胡韌奮等在探究唐詩(shī)題材的自動(dòng)分類時(shí)采用的是面向現(xiàn)代漢語(yǔ)的NLPIR/ICT?CLAS2014分詞系統(tǒng)，張航等在探討詩(shī)詞風(fēng)格分類技術(shù)時(shí)采用的是面向現(xiàn)代漢語(yǔ)的jieba分詞工具。②

文本分詞的具體操作，以歐陽(yáng)修、馮延巳這一組為例：在Python3.7中導(dǎo)入jieba庫(kù)，并分別讀取歐陽(yáng)修和馮延巳的訓(xùn)練語(yǔ)料，然后分別使用jieba.cut（）命令得到歐陽(yáng)修和馮延巳訓(xùn)練語(yǔ)料的分詞結(jié)果，以備下一步使用。

（二）特征提取

作者在創(chuàng)作過(guò)程中通常會(huì)在字符、詞匯、句法和語(yǔ)義等方面表現(xiàn)出一定的風(fēng)格特征。③本文采用的特征提取方法是一種基于詞語(yǔ)的特征提取方法，構(gòu)建了一個(gè)簡(jiǎn)單的“詞袋模型”。具體來(lái)講，就是將兩位作者作品分詞所得的詞語(yǔ)列表分別輸入Python，Python對(duì)輸入的每個(gè)詞語(yǔ)進(jìn)行遍歷，將其作為字典中的鍵，對(duì)應(yīng)的值均為“True”，最終返回一個(gè)包含所有詞語(yǔ)及其對(duì)應(yīng)值的Python字典。該字典表示的是一種二元特征集，即如果文本中出現(xiàn)了某個(gè)詞語(yǔ)，則該詞語(yǔ)在字典中的值為“True”，否則為“False”。

（三）訓(xùn)練樸素貝葉斯分類器

在得到兩位作者作品的特征集以后，需要使用這些特征集訓(xùn)練一個(gè)分類器。本文采用NLTK庫(kù)④中的樸素貝葉斯分類器（Na?ve Bayes Classifier）模塊來(lái)完成特征學(xué)習(xí)。樸素貝葉斯分類器以樸素貝葉斯算法為基礎(chǔ)。

為了讓樸素貝葉斯分類器學(xué)習(xí)到更多的特征和它們對(duì)應(yīng)的標(biāo)簽，進(jìn)而提高分類器的準(zhǔn)確性，在訓(xùn)練時(shí)，將分別貼有兩位作者標(biāo)簽的特征集合并到一起以后放入分類器中。在這個(gè)過(guò)程中，分類器會(huì)學(xué)習(xí)到每個(gè)特征與其對(duì)應(yīng)的標(biāo)簽（即作者）之間的關(guān)系，并將這些信息用于預(yù)測(cè)未知數(shù)據(jù)的標(biāo)簽。

對(duì)分類器完成訓(xùn)練以后，將測(cè)試語(yǔ)料分詞、提取特征并輸入到分類器中，分類器將估測(cè)輸入的數(shù)據(jù)屬于每個(gè)類別的概率，并輸出測(cè)試語(yǔ)料屬于某一位作者的可能性。

三實(shí)驗(yàn)結(jié)果

（一）作者爭(zhēng)議檢測(cè)結(jié)果

根據(jù)上述檢測(cè)方法，本文分別檢測(cè)了各首有爭(zhēng)議作品的作者可能性，結(jié)果如表2所示。需要說(shuō)明的是，由于《清明》可能涉及的作者有杜牧、許渾和宋祁三位，本文分別用杜牧與許渾的作品、杜牧與宋祁的作品、許渾與宋祁的作品訓(xùn)練了三個(gè)分類器來(lái)檢測(cè)該詩(shī)的作者。

檢測(cè)結(jié)果顯示，《蝶戀花》（庭院深深深幾許）的作者是馮延巳的可能性為62.50%，是歐陽(yáng)修的可能性為37.50%，也就是在馮延巳、歐陽(yáng)修二人中，馮延巳是該詞作者的可能性更大?！兜麘倩ā罚ê熌伙L(fēng)輕雙語(yǔ)燕）的作者為歐陽(yáng)修的可能性大于晏殊，《生查子·元夕》的作者為朱淑真的可能性大于歐陽(yáng)修，《菩薩蠻》（哀箏一弄湘江曲）的作者為晏幾道的可能性遠(yuǎn)遠(yuǎn)大于張先，《題白云樓》的作者為許渾的可能性大于杜牧。

對(duì)于《清明》來(lái)講，不論是在杜牧與許渾之間，還是在杜牧與宋祁之間，均是作者為杜牧的可能性更大，而在許渾與宋祁之間則是作者為許渾的可能性更大。也就是說(shuō)，在這三人中，杜牧最有可能是《清明》的作者，許渾居其次，宋祁則最不可能是《清明》的作者。由于訓(xùn)練檢測(cè)《題白云樓》與《清明》作者的分類器所用的杜牧、許渾訓(xùn)練語(yǔ)料相同，從這個(gè)角度來(lái)看，也能更加確定《題白云樓》的作者為許渾的可能性更大。此外，我們也測(cè)試了許渾和宋祁為《題白云樓》作者的可能性，結(jié)果顯示許渾為70.00%，宋祁為30.00%、從杜牧、許渾、宋祁三者之間的檢測(cè)結(jié)果也可以看出，杜牧和許渾之間的風(fēng)格特征更為相似，而宋祁與前兩者之間的相似程度還比較低。劉克莊《后村詩(shī)話》認(rèn)為：“樊川有《續(xù)別集》三卷，十八九是許渾詩(shī)?！雹倏梢?jiàn)杜牧和許渾的詩(shī)作向來(lái)比較容易混淆。

本文的檢測(cè)結(jié)果與相關(guān)詩(shī)詞的文獻(xiàn)考證結(jié)果有同有異。

《蝶戀花》（庭院深深深幾許）的作者在文獻(xiàn)中是有爭(zhēng)議的，后世多依據(jù)李清照的說(shuō)法將之定為歐陽(yáng)修所作。本文的檢測(cè)結(jié)果表明，該詞更有可能是馮延巳所作，即支持《詞綜》《詞辯》《詞選》《全唐五代詞》等文獻(xiàn)的看法。

《蝶戀花》（簾幕風(fēng)輕雙語(yǔ)燕）在兩宋之際的曾慥所編的《樂(lè)府雅詞》中，被歸為歐陽(yáng)修所作，本文的檢測(cè)結(jié)果與之契合?？紤]到曾慥所處時(shí)期與歐陽(yáng)修相近，且曾官至尚書郎，直寶文閣②，他所編的《樂(lè)府雅詞》應(yīng)該是比較可信的。王慧敏分析曾慥《樂(lè)府雅詞》不選晏殊詞的原因是晏殊詞不符合“雅詞”標(biāo)準(zhǔn)，且曾慥在其自序中特地為歐陽(yáng)修辯白，并說(shuō)已經(jīng)刪除了當(dāng)時(shí)“小人”所作的謬為歐公詞的艷曲。③可見(jiàn)，曾慥的選詞標(biāo)準(zhǔn)較為嚴(yán)格，并且對(duì)待歐陽(yáng)修的詞頗為慎重。這當(dāng)然也得益于當(dāng)時(shí)歐陽(yáng)修文壇領(lǐng)袖的特殊身份。而認(rèn)為該詞為晏殊所作的文獻(xiàn)，如《類編草堂詩(shī)余》《天機(jī)余錦》《歷代詞人考略》等，大多著于明清時(shí)期，與北宋時(shí)期的歐陽(yáng)修、晏殊相去甚遠(yuǎn)，可信度自然低了一些。

本文對(duì)《生查子·元夕》的檢測(cè)結(jié)果表明該詞作者是朱淑真的可能性更大，這似乎與文獻(xiàn)考證的結(jié)果相左。明代楊慎《詞品》不知是出于何種原因?qū)⒃撛~歸為朱淑真所作，這對(duì)于后世對(duì)該詞作者的判斷影響較大，同時(shí)也引來(lái)了不少批評(píng)。唐圭璋的論證表明，楊慎是誤將該詞歸為朱淑真所作，并且有其他證據(jù)表明該詞為歐陽(yáng)修所作。①高廣林評(píng)注《詞品》時(shí)也說(shuō)楊慎將該詞歸為朱氏“不知何據(jù)”“考之不精”。②如該詞確為歐陽(yáng)修所作，那本文的檢測(cè)結(jié)果恐怕需要更多解釋。關(guān)于這一問(wèn)題，后文還要討論。

清末朱祖謀輯?！缎∩皆~》將《菩薩蠻》（哀箏一弄湘江曲）歸為晏幾道③，本文的檢測(cè)結(jié)果與之契合。顧寶林認(rèn)為朱祖謀經(jīng)過(guò)多道程序的校正勘定，使得《小山詞》的詞籍版本質(zhì)量在前人的基礎(chǔ)上大有增進(jìn)，為后來(lái)唐圭璋先生編纂《全宋詞》掃除了不少障礙。④朱祖謀的《彊村叢書》卷帙浩繁，既?？绷岁處椎赖摹缎∩皆~》，又校勘了張先的《張子野詞》，但他并未像同時(shí)代的王鵬運(yùn)校勘《草堂詩(shī)余》那樣將該詞歸入張先名下，盡管他沒(méi)有說(shuō)明這么做的原因，但應(yīng)該也是有自己的考量。

吳在慶校注的《杜牧集系年校注》將《題白云樓》編在《集外詩(shī)一》內(nèi)，認(rèn)為該詩(shī)可能是并非杜牧親作的“集外詩(shī)”。吳在慶在《杜牧集系年校注》前言中解釋道，書中的集外詩(shī)多非杜牧所作，為滿足進(jìn)一步研究之需才收入。這種處理方式無(wú)疑是比較好的，并且他在《杜牧集系年校注》的注釋中也根據(jù)《全唐詩(shī)》《丁卯集》等文獻(xiàn)和許渾的任職經(jīng)歷等論證了《題白云樓》并非杜牧所作。⑤盡管王輝斌也從文獻(xiàn)、任職經(jīng)歷等推導(dǎo)出相反的觀點(diǎn)⑥，但吳、王二人終究都沒(méi)有十分確鑿的證據(jù)。值得注意的是《清明》一詩(shī)，《杜牧集系年校注》也認(rèn)為是“集外詩(shī)”，將其編在《集外詩(shī)三》內(nèi)，吳在慶解釋道：“盡管今人多有以為非杜牧詩(shī)者，然尚意見(jiàn)不一”，并在注釋中舉例闡述了各家爭(zhēng)議，但仍然未有定論。⑦也就是說(shuō)，關(guān)于《題白云樓》和《清明》這兩首詩(shī)的作者爭(zhēng)議，目前各家觀點(diǎn)均無(wú)法證實(shí)。按照本文對(duì)《題白云樓》和《清明》的檢測(cè)結(jié)果，許渾是《題白云樓》作者的可能性比杜牧大，而杜牧是《清明》作者的可能性比許渾大。

（二）補(bǔ)充實(shí)驗(yàn)結(jié)果

從對(duì)作者爭(zhēng)議的檢測(cè)結(jié)果來(lái)看，本文采用的方法具有一定的可行性。為進(jìn)一步考察檢測(cè)方法的有效性，我們又分別收集了三組常常并稱的唐朝詩(shī)人——“元白”（元稹、白居易）、“皮陸”（皮日休、陸龜蒙）、“小李杜”（李商隱、杜牧）各5040字的作品來(lái)訓(xùn)練分類器，進(jìn)而用其作品進(jìn)行測(cè)試（測(cè)試語(yǔ)料文本見(jiàn)附錄），結(jié)果如表3所示。

并稱詩(shī)人往往在作品風(fēng)格或成就方面具有一定的相似之處。從表3的檢測(cè)結(jié)果可見(jiàn)，本文所用的檢測(cè)方法能很好地將上述三組并稱詩(shī)人的作品區(qū)別開(kāi)，驗(yàn)證了方法的有效性。

四討論

檢測(cè)結(jié)果依賴于分類器對(duì)訓(xùn)練語(yǔ)料和測(cè)試語(yǔ)料詞語(yǔ)的分析和判斷，由于分類器沒(méi)有對(duì)語(yǔ)義進(jìn)行分析，并且沒(méi)有為檢測(cè)語(yǔ)料中不同的詞語(yǔ)賦予不同的權(quán)重，因此檢測(cè)結(jié)果具有一定的偶然性。本文檢測(cè)結(jié)果顯示，《生查子·元夕》的作者為朱淑真的可能性更大，這與文獻(xiàn)考證的結(jié)果相左。我們使用jieba分詞對(duì)《生查子·元夕》分詞以后，在訓(xùn)練語(yǔ)料中人工統(tǒng)計(jì)了這些詞語(yǔ)在朱淑真和歐陽(yáng)修的作品中出現(xiàn)的次數(shù)。表4中列出了統(tǒng)計(jì)結(jié)果（在二者作品中出現(xiàn)次數(shù)均為0的詞語(yǔ)沒(méi)有列出）。

可以看到，如果從詞頻總數(shù)上看，朱淑真為105次，歐陽(yáng)修為103次，朱淑真更多一些，這可能是分類器將《生查子·元夕》的作者判斷為朱淑真的影響因素之一。此外，如果從《生查子·元夕》中的主要意象“月、燈”來(lái)看，也是朱淑真的作品中出現(xiàn)這兩個(gè)詞語(yǔ)的次數(shù)更多。但如果從表示時(shí)間、空間的“時(shí)、去年、今年、上”等詞語(yǔ)來(lái)看，歐陽(yáng)修的作品中出現(xiàn)的次數(shù)更多，尤其是“今年”，在歐陽(yáng)修的訓(xùn)練語(yǔ)料中出現(xiàn)了2次，而在朱淑真的訓(xùn)練語(yǔ)料中沒(méi)有出現(xiàn)。需要說(shuō)明的是，樸素貝葉斯分類器本質(zhì)上使用的是一種基于概率的分類算法，總詞頻固然是重要的影響因素之一，但如果一個(gè)詞（如“今年”）只出現(xiàn)在歐陽(yáng)修的訓(xùn)練語(yǔ)料中，而在朱淑真的訓(xùn)練語(yǔ)料中沒(méi)有出現(xiàn)，則分類器也會(huì)增加將《生查子·元夕》判定為歐陽(yáng)修所作的可能性。總之，朱淑真和歐陽(yáng)修在用詞上有不少相近之處，也各有支持《生查子·元夕》為其作的理由，而分類器對(duì)這些元素所做的取舍對(duì)于使用者來(lái)講是不夠透明的。此外，朱淑真雖生于仕宦之家，但其夫游宦于淮南、瀟湘，夫妻不諧，“每臨風(fēng)對(duì)月，觸目傷懷，皆寓于詩(shī)，以寫其胸中不平之氣”①，而《生查子·元夕》又多有抑郁感傷之情。在這些因素的影響下，無(wú)論是機(jī)器還是人，對(duì)作者的判斷無(wú)疑都是比較困難的。

結(jié)語(yǔ)

本文集中分析了六首作者有爭(zhēng)議的作品，收集了爭(zhēng)議所涉及作者的其他作品作為訓(xùn)練語(yǔ)料，經(jīng)過(guò)分詞和特征提取以后，通過(guò)訓(xùn)練樸素貝葉斯分類器來(lái)判斷爭(zhēng)議作品的作者歸屬。結(jié)果顯示，《蝶戀花》（庭院深深深幾許）的作者是馮延巳的可能性大于歐陽(yáng)修，《蝶戀花》（簾幕風(fēng)輕雙語(yǔ)燕）的作者是歐陽(yáng)修的可能性大于晏殊，《生查子·元夕》的作者是朱淑真的可能性大于歐陽(yáng)修，《菩薩蠻（哀箏一弄湘江曲）》的作者是晏幾道的可能性大于張先，《題白云樓》的作者是許渾的可能性大于杜牧，《清明》的作者是杜牧的可能性大于許渾和宋祁。此外，對(duì)“元白”“皮陸”“小李杜”這三組唐朝并稱詩(shī)人作品的檢測(cè)結(jié)果驗(yàn)證了本文所用方法的有效性。

本文采用基于樸素貝葉斯算法的樸素貝葉斯分類器作為作者檢測(cè)方法，與傳統(tǒng)的人工比較、考證的方法相比，操作更為便捷，結(jié)果更為客觀。但是，這種方法在使用上也有一些新要求。例如在訓(xùn)練語(yǔ)料的制作上，需要平衡作者之間作品的字?jǐn)?shù)，在訓(xùn)練語(yǔ)料的挑選上，需要選擇作者的典型的、無(wú)爭(zhēng)議的作品。為了滿足這樣的要求，只能適應(yīng)作品較少的作者，這也在一定程度上限制了訓(xùn)練語(yǔ)料的規(guī)模。此外，樸素貝葉斯分類器雖然能做出較為準(zhǔn)確的判斷，但給出的可能性還比較低，在進(jìn)一步改進(jìn)和提升分類算法以后，將會(huì)得到更好的分類效果。在以后的研究中，可以提高文本特征提取能力，使用新的分類算法進(jìn)行更大規(guī)模的訓(xùn)練與作者判斷。

附錄：測(cè)試語(yǔ)料文本

1.《蝶戀花·庭院深深深幾許》：

庭院深深深幾許，楊柳堆煙，簾幕無(wú)重?cái)?shù)。玉勒雕鞍游冶處，樓高不見(jiàn)章臺(tái)路。

雨橫風(fēng)狂三月暮，門掩黃昏，無(wú)計(jì)留春住。淚眼問(wèn)花花不語(yǔ)，亂紅飛過(guò)秋千去。

2.《蝶戀花·簾幕風(fēng)輕雙語(yǔ)燕》：

簾幕風(fēng)輕雙語(yǔ)燕。午后醒來(lái)，柳絮飛撩亂。心事一春猶未見(jiàn)。紅英落盡青苔院。

百尺朱樓閑倚遍。薄雨濃云，抵死遮人面。羌管不須吹別怨。無(wú)腸更為新聲斷。

3.《生查子·元夕》：

去年元夜時(shí)，花市燈如晝。月上柳梢頭，人約黃昏后。

今年元夜時(shí)，月與燈依舊。不見(jiàn)去年人，淚濕春衫袖。

4.《菩薩蠻·哀箏一弄湘江曲》：

哀箏一弄湘江曲，聲聲寫盡湘波綠。纖指十三弦，細(xì)將幽恨傳。

當(dāng)筵秋水慢，玉柱斜飛雁。彈到斷腸時(shí)，春山眉黛低。

5.《題白云樓》（又名《漢水傷稼》）：

西北樓開(kāi)四望通，殘霞成綺月懸弓。江村夜?jié)q浮天水，澤國(guó)秋生動(dòng)地風(fēng)。

高下綠苗千頃盡，新陳紅粟萬(wàn)箱空。才微分薄憂何益，卻欲回心學(xué)塞翁。

6.《清明》：

清明時(shí)節(jié)雨紛紛，路上行人欲斷魂。借問(wèn)酒家何處有，牧童遙指杏花村。

7. 元稹《雨聲》：

風(fēng)吹竹葉休還動(dòng)，雨點(diǎn)荷心暗復(fù)明。曾向西江船上宿，慣聞寒夜滴篷聲。

8. 白居易《歲暮呈思黯相公皇甫郎之及夢(mèng)得尚書》：

歲暮皤然一老夫，十分流輩九分無(wú)。莫嫌身病人扶侍，猶勝無(wú)身可遣扶。

9. 皮日休《惠山聽(tīng)松庵》：

千葉蓮花舊有香，半山金剎照方塘。殿前日暮高風(fēng)起，松子聲聲打石床。

10. 陸龜蒙《丁香》：

江上悠悠人不問(wèn)，十年云外醉中身。殷勤解卻丁香結(jié)，縱放繁枝散誕春。

11. 李商隱《夜雨寄北》：

君問(wèn)歸期未有期，巴山夜雨漲秋池。何當(dāng)共剪西窗燭，卻話巴山夜雨時(shí)。

12. 杜牧《過(guò)華清宮·其一》：

長(zhǎng)安回望繡成堆，山頂千門次第開(kāi)。一騎紅塵妃子笑，無(wú)人知是荔枝來(lái)。

（黃瑋，南開(kāi)大學(xué)文學(xué)院博士研究生；冉啟斌，南開(kāi)大學(xué)文學(xué)院教授）