大家都或多或少看过四大名著吧，这两天做中文文本分类实验，下载了四大名著实验分类效果，得出一些有趣的词频统计，大家在看数据之前，心里想想，红楼梦里面出现最频繁的词是什么？西游记呢？呵呵，下面我把四大名著的互斥（也就是没有在别的名著中出现的词，不然所有书最频繁的词都是“的”，“了”什么的） top 10 词汇列出供大家娱乐（注：分词采用的是中科院的ICTCLAS分词系统，统计来自80％章节的训练文档集，由于红楼梦前80节和后40节公认是两个作者，所以抽样的时候同样按照2：1的比例随机抽取）

红楼梦top 10 互斥词汇 （ 前面的数字代表出现次数）
3080 宝玉
912 姐
901 姑娘
742 丫头
681 太太
677 老太太
633 琏
453 咱们
418 姐儿
415 黛玉



西游记top 10 互斥词汇

1049 三藏
495 沙僧
333 老孙
241 钯
190 取经
170 铁棒
169 猴王
167 师徒
150 妖魔
142 云头
（其中“悟空” 出现108词，唐僧还在后面。。。对不起了八戒，你不入流）



三国演义

1081 玄德
440 蜀
398 司马
371 懿
346 瑜
344 关公
315 绍
263 荆州
242 诸葛
222 卓

水浒传

910 李逵
834 武松
703 宋江
624 後
571 头领
479 泊
463 梁山
295 晁
266 阮
253 江道

（李逵这家伙！喧宾夺主！！！）

等有空，我再用Machine learning来rank 红楼梦的章节，看看吕先生说的前80章后40章不同风格（不同作者）是否一致！

转载本文请联系原作者获取授权，同时请注明本文来自刘伟科学网博客。
链接地址：https://blog.sciencenet.cn/blog-5691-11657.html


下一篇：采访2038年的Google创始人Larry Page