用python分析《三國演義》中的社交網路

一直以來對自然語言處理和社交網路分析都很感興趣,前者能幫助我們從文字中獲得很多發現,而後者能夠讓我們對人們和各個事物之間普遍存在的網路般的聯絡有更多認識。當二者結合,又會有怎樣的魔力呢?

作為一個三國迷,我就有了這樣的想法:能不能用文字處理的方法,得到《三國演義》中的人物社交網路,再進行分析呢?python中有很多好工具能夠幫助我實踐我好奇的想法,現在就開始動手吧。

獲得《三國演義》的文字。

chapters = get_sanguo()                 # 文字列表,每個元素為一章的文字print(chapters[0][:106])第一回 宴桃園豪傑三結義 斬黃巾英雄首立功
滾滾長江東逝水,浪花淘盡英雄。是非成敗轉頭空。
青山依舊在,幾度夕陽紅。
白髮漁樵江渚上,慣看秋月春風。一壺濁酒喜相逢。
古今多少事,都付笑談中

《三國演義》並不是很容易處理的文字,它接近古文,我們會面對古人的字號等一系列別名。比如電腦怎麼知道“玄德”指的就是“劉備”呢?那就要我們給它一些知識。我們人透過學習知道“玄德”是劉備的字,電腦也可以用類似的方法完成這個概念的連線。我們需要告訴電腦,“劉備”是實體(類似於一個物件的標準名),而“玄德”則是“劉備”的一個指稱,告訴的方式,就是提供電腦一個知識庫。

entity_mention_dict, entity_type_dict = get_sanguo_entity_dict()
print("劉備的指稱有:",entity_mention_dict["劉備"])
劉備的指稱有:['劉備', '劉玄德', '玄德', '使君']

除了人的實體和指稱以外,我們也能夠包括三國勢力等別的型別的指稱,比如“蜀”又可以叫“蜀漢”,所以知識庫裡還可以包括實體的型別資訊來加以區分。

print("劉備的型別為",entity_type_dict["劉備"])
print("蜀的型別為",entity_type_dict["蜀"])
print("蜀的指稱有",entity_mention_dict["蜀"])
劉備的型別為 人名
蜀的型別為 勢力
蜀的指稱有 ['蜀', '蜀漢']

有了這些知識,理論上我們就可以程式設計聯絡起實體的各個綽號啦。不過若是要從頭做起的話,其中還會有不少的工作量。而HarvestText[1]是一個封裝了這些步驟的文字處理庫,可以幫助我們輕鬆完成這個任務。

ht = HarvestText()
ht.add_entities(entity_mention_dict, entity_type_dict) # 載入模型
print(ht.seg("誓畢,拜玄德為兄,關羽次之,張飛為弟。",standard_name=True))
['誓畢', ',', '拜', '劉備', '為兄', ',', '關羽', '次之', ',', '張飛', '為弟', '。']

成功地把指稱統一到標準的實體名以後,我們就可以著手挖掘三國的社交網路了。具體的建立方式是利用鄰近共現關係。每當一對實體在兩句話內同時出現,就給它們加一條邊。那麼建立網路的整個流程就如同下圖所示:

我們可以使用HarvestText提供的函式直接完成這個流程,讓我們先在第一章的小文字上實踐一下:

# 準備工作
doc = chapters[0].replace("操","曹操") # 由於有時使用縮寫,這裡做一個微調
ch1_sentences = ht.cut_sentences(doc) # 分句
doc_ch01 = [ch1_sentences[i]+ch1_sentences[i+1] for i in range(len(ch1_sentences)-1)] #獲得所有的二連句
ht.set_linking_strategy("freq")
# 建立網路
G = ht.build_entity_graph(doc_ch01, used_types=["人名"]) # 對所有人物建立網路,即社交網路
# 挑選主要人物畫圖
important_nodes = [node for node in G.nodes if G.degree[node]>=5]
G_sub = G.subgraph(important_nodes).copy()
draw_graph(G_sub,alpha=0.5,node_scale=30,figsize=(6,4))

他們之間具體有什麼關係呢?我們可以利用文字摘要得到本章的具體內容:

stopwords = get_baidu_stopwords()    #過濾停用詞以提高質量for i,doc in enumerate(ht.get_summary(doc_ch01, topK=3, stopwords=stopwords)):
print(i,doc)
玄德見皇甫嵩、朱儁,具道盧植之意。嵩曰:“張梁、張寶勢窮力乏,必投廣宗去依張角。
時張角賊眾十五萬,植兵五萬,相拒於廣宗,未見勝負。植謂玄德曰:“我今圍賊在此,賊弟張梁、張寶在潁川,與皇甫嵩、朱儁對壘。
次日,於桃園中,備下烏牛白馬祭禮等項,三人焚香再拜而說誓曰:“念劉備、關羽、張飛,雖然異姓,既結為兄弟,則同心協力,

本章的主要內容,看來就是劉關張桃園三結義,並且共抗黃巾賊的故事。

有了小範圍實踐的基礎,我們就可以用同樣的方法,整合每個章節的內容,畫出一張橫跨三國各代的大圖。

G_chapters = []
for chapter in chapters:
sentences = ht.cut_sentences(chapter) # 分句
docs = [sentences[i]+sentences[i+1] for i in range(len(sentences)-1)]
G_chapters.append(ht.build_entity_graph(docs, used_types=["人名"]))
# 合併各張子圖
G_global = nx.Graph()
for G0 in G_chapters:
for (u,v) in G0.edges:
if G_global.has_edge(u,v):
G_global[u][v]["weight"] += G0[u][v]["weight"]
else:
G_global.add_edge(u,v,weight=G0[u][v]["weight"])
# 忽略遊離的小分支只取最大連通分量
largest_comp = max(nx.connected_components(G_global), key=len)
G_global = G_global.subgraph(largest_comp).copy()
print(nx.info(G_global))
Name:
Type: Graph
Number of nodes: 1290
Number of edges: 10096
Average degree: 15.6527

整個社交網路有1290個人那麼多,還有上萬條邊!那麼我們要把它畫出來幾乎是不可能的,那麼我們就挑選其中的關鍵人物來畫出一個子集吧。

important_nodes = [node for node in G_global.nodes if G_global.degree[node]>=30]
G_main = G_global.subgraph(important_nodes).copy()

用pyecharts進行視覺化

from pyecharts import Graph
nodes = [{"name": "結點1", "value":0, "symbolSize": 10} for i in range(G_main.number_of_nodes())]
for i,name0 in enumerate(G_main.nodes):
nodes[i]["name"] = name0
nodes[i]["value"] = G_main.degree[name0]
nodes[i]["symbolSize"] = G_main.degree[name0] / 10.0
links = [{"source": "", "target": ""} for i in range(G_main.number_of_edges())]
for i,(u,v) in enumerate(G_main.edges):
links[i]["source"] = u
links[i]["target"] = v
links[i]["value"] = G_main[u][v]["weight"]
graph = Graph("三國人物關係力導引圖")
graph.add("", nodes, links)
graph.render("./images/三國人物關係力導引圖.html")
graph

部落格上不能顯示互動式圖表,這裡就給出截圖:顯示了劉備的鄰接結點

整個網路錯綜複雜,背後是三國故事中無數的南征北伐、爾虞我詐。不過有了計算機的強大算力,我們依然可以從中梳理出某些關鍵線索,比如:

對這個問題,我們可以用網路中的排序演算法解決。PageRank就是這樣的一個典型方法,它本來是搜尋引擎利用網站之間的聯絡對搜尋結果進行排序的方法,不過對人物之間的聯絡也是同理。讓我們獲得最重要的20大人物:

page_ranks = pd.Series(nx.algorithms.pagerank(G_global)).sort_values()
page_ranks.tail(20).plot(kind="barh")
plt.show()

《三國演義》當仁不讓的主角就是他們了,哪怕你對三國不熟悉,也一定會對這些人物耳熟能詳。

這個問題看上去跟上面一個問題很像,但其實還是有區別的。就像人緣最好的人未必是領導一樣,能在團隊中心起到凝聚作用,使各個成員相互聯絡合作的人才是最有權力的人。中心度就是這樣的一個指標,看看三國中最有權力的人是哪些吧?

between = pd.Series(nx.betweenness_centrality(G_global)).sort_values()
between.tail(20).plot(kind="barh")
plt.show()

結果的確和上面的排序有所不同,我們看到劉備、曹操、孫權、袁紹等主公都名列前茅。而另一個有趣的發現是,司馬懿、司馬昭、司馬師父子三人同樣榜上有名,而曹氏的其他後裔則不見其名,可見司馬氏之權傾朝野。司馬氏之心,似乎就這樣被大資料揭示了出來!

人物關係有親疏遠近,因此往往會形成一些集團。社交網路分析裡的社群發現演算法就能夠讓我們發現這些集團,讓我使用community庫[2]中的提供的演算法來揭示這些關係吧。

import community                                    # python-louvain
partition = community.best_partition(G_main) # Louvain演算法劃分社群
comm_dict = defaultdict(list)
for person in partition:
comm_dict[partition[person]].append(person)

在下面3個社群裡,我們看到的主要是魏蜀吳三國重臣們。(只有一些小“問題”,有趣的是,電腦並不知道他們的所屬勢力,只是使用演算法。)

draw_community(2)
community 2: 張遼 曹仁 夏侯惇 徐晃 曹洪 夏侯淵 張郃 許褚 樂進 李典 于禁
荀彧 劉曄 郭嘉 滿寵 程昱 荀攸 呂虔 典韋 文聘 董昭 毛玠
draw_community(4)
community 4: 曹操 諸葛亮 劉備 關羽 趙雲 張飛 馬超 黃忠 許昌 孟達[魏] 孫乾
曹安民 劉璋 關平 龐德 法正 伊籍 張魯 劉封 龐統 孟獲 嚴顏 馬良 簡雍 蔡瑁
陶謙 孔融 劉琮[劉表子] 劉望之 夏侯楙 周倉 陳登
draw_community(3)
community 3: 孫權 孫策 周瑜 陸遜 呂蒙 丁奉 周泰 程普 韓當 徐盛 張昭[吳] 馬相 黃蓋[吳] 潘璋 甘寧 魯肅 淩統 太史慈 諸葛瑾 韓吳郡 蔣欽 黃祖 闞澤 朱桓 陳武 呂範draw_community(0)
community 0: 袁紹 呂布 劉表 袁術 董卓 李傕 賈詡 審配 孫堅 郭汜 陳宮 馬騰
袁尚 韓遂 公孫瓚 高順 許攸[袁紹] 臧霸 沮授 郭圖 顏良 楊奉 張繡 袁譚 董承
文丑 何進 張邈[魏] 袁熙

還有一些其他社群。比如在這裡,我們看到三國前期,孫堅、袁紹、董卓等主公們群雄逐鹿,好不熱鬧。

draw_community(1)
community 1: 司馬懿 魏延 姜維 張翼 馬岱 廖化 吳懿 司馬昭 關興 吳班 王平
鄧芝 鄧艾 張苞[蜀] 馬忠[吳] 費禕 譙周 馬謖 曹真 曹丕 李恢 黃權 鍾會 蔣琬
司馬師 劉巴[蜀] 張嶷 楊洪 許靖 費詩 李嚴 郭淮 曹休 樊建 秦宓 夏侯霸 楊儀
高翔 張南[魏] 華歆 曹爽 郤正 許允[魏] 王朗[司徒] 董厥 杜瓊 霍峻 胡濟 賈充
彭羕 吳蘭 諸葛誕 雷銅 孫綝 卓膺 費觀 杜義 閻晏 盛勃 劉敏 劉琰 杜祺 上官雝
丁鹹 爨習 樊岐 曹芳 周群

這個社群是三國後期的主要人物了。這個網路背後的故事,是司馬氏兩代三人打敗姜維率領的蜀漢群雄,又掃除了曹魏內部的曹家勢力,終於登上權力的頂峰。

研究社交網路隨時間的變化,是個很有意思的任務。而《三國演義》大致按照時間線敘述,且有著極長的時間跨度,順著故事線往下走,社交網路會發生什麼樣的變化呢?

這裡,我取10章的文字作為跨度,每5章記錄一次當前跨度中的社交網路,就相當於留下一張快照,把這些快照連線起來,我們就能夠看到一個社交網路變化的動畫。快照還是用networkx得到,而製作動畫,我們可以用moviepy。

江山代有才人出,讓我們看看在故事發展的各個階段,都是哪一群人活躍在舞臺中央呢?

import moviepy.editor as mpy
from moviepy.video.io.bindings import mplfig_to_npimage
width, step = 10,5
range0 = range(0,len(G_chapters)-width+1,step)
numFrame, fps = len(range0), 1
duration = numFrame/fps
pos_global = nx.spring_layout(G_main)
def make_frame_mpl(t):
i = step*int(t*fps)
G_part = nx.Graph()
for G0 in G_chapters[i:i+width]:
for (u,v) in G0.edges:
if G_part.has_edge(u,v):
G_part[u][v]["weight"] += G0[u][v]["weight"]
else:
G_part.add_edge(u,v,weight=G0[u][v]["weight"])
largest_comp = max(nx.connected_components(G_part), key=len)
used_nodes = set(largest_comp) & set(G_main.nodes)
G = G_part.subgraph(used_nodes)
fig = plt.figure(figsize=(12,8),dpi=100)
nx.draw_networkx_nodes(G,pos_global,node_size=[G.degree[x]*10 for x in G.nodes])
# nx.draw_networkx_edges(G,pos_global)
nx.draw_networkx_labels(G,pos_global)
plt.xlim([-1,1])
plt.ylim([-1,1])
plt.axis("off")
plt.title(f"第{i+1}到第{i+width+1}章的社交網路")
return mplfig_to_npimage(fig)
animation = mpy.VideoClip(make_frame_mpl, duration=duration)
animation.write_gif("./images/三國社交網路變化.gif", fps=fps)

美觀起見,動畫中省略了網路中的邊。

隨著時間的變化,曾經站在歷史舞臺中央的人們也漸漸地會漸漸離開,讓人不禁唏噓感嘆。正如《三國演義》開篇所言:

古今多少事,都付笑談中。

今日,小輩利用python做的一番笑談也就到此結束吧……

※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※

我是「數據分析那些事」。常年分享數據分析乾貨,不定期分享好用的職場技能工具。各位也可以關注我的Facebook,按讚我的臉書並私訊「10」,送你十週入門數據分析電子書唷!期待你與我互動起來~

文章推薦

Python 的學習線路圖,以及100 個 Python 小專案原始碼分享,碼住!

這40個Python視覺化圖表案例,強烈建議收藏!

6個自學python必看網站以及4個 Python 的程式設計遊戲網站,非常實用,建議收藏!

這是一個專注於數據分析職場的內容部落格,聚焦一批數據分析愛好者,在這裡,我會分享數據分析相關知識點推送、(工具/書籍)等推薦、職場心得、熱點資訊剖析以及資源大盤點,希望同樣熱愛數據的我們一同進步! 臉書會有更多互動喔:https://www.facebook.com/shujvfenxi/

這是一個專注於數據分析職場的內容部落格,聚焦一批數據分析愛好者,在這裡,我會分享數據分析相關知識點推送、(工具/書籍)等推薦、職場心得、熱點資訊剖析以及資源大盤點,希望同樣熱愛數據的我們一同進步! 臉書會有更多互動喔:https://www.facebook.com/shujvfenxi/