第五章 《全唐詩》的社群網絡分析
5.3 劃分四個唐朝時期的聚焦分析
‧
本。單一時期的《全唐詩》文本，我們使用 bigram[15]找出此時期的二字詞，因《全唐 詩》是一份文言文的文本，透過 bigram 的統計我們能夠計算不常見的二字詞，缺點是 bigram 執行會考慮所有可能，計算上會消耗大量的計算時間。最後我們會分別得到四個 唐朝時期個別的二字詞字表。‧
而我們所使用的社群網絡視覺化工具為 Gephi[29]，因此我們記錄兩位詩人的交往關係 格式，採用能直接讓 Gephi 能讀取的檔案。如表 5.10 所示，Source 為寫詩的人；Target 為 Source 所提及的人；Type 為這個邊是有向或是無向；weight 為這個關係的頻率。
31
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
5.3.4
利用 TF-IDF 分數觀察詩人群體的詞彙差異在 5.3.3 我們記錄了各個時期社群網絡的邊，有向邊的連結為只有一方單方面提到對方，
無向邊的連結則是兩人會互相提到對方。我們定義兩種分群方法將社群網絡中的詩人做 群體劃分。
方法一：將存在無向邊的節點儲存成為一名單為 L，依序將此名單上的節點作為出 發節點，無向邊有連到的節點加入到一個詩人群體中，如圖 5. 5「白居易」為出發節點，
無向邊所連結的周遭節點，我們將這些跟出發節點相連的詩人節點，組成一個詩人群 體。
表 5.10 中唐的社群網絡 edge 部分內容 Source, Target, Type, ID, label, weight
白居易,元稹,undirected,1, 183, 183 劉禹錫,白居易,undirected,2, 157, 157 韓愈,張籍,direct,3,16,16
白居易
劉禹錫
裴度
圖 5. 4 社群網絡無向邊、有向邊例子
32
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
方法二：群體的規則必須符合 Clique[13]，這是一個較強烈密集交往的群體，群體 中每位詩人跟其他詩人都會互相提到對方。我們以名單 L 中的每個節點都作為一個出發 節點，每連結到下一個節點時，先確保此節點跟目前群體內所有節點都有互相提到的紀 錄，若有則將此節點加入此群體，確保此群體符合 Clique 的定義。
我們得到群體列表後，我們想探討各詩人組成的群體間使用詞彙的差異，若是我們 只單純考慮詞彙在單一群體的出現頻率，但事實上有可能此詞彙對於每個群體的頻率都 很高，這樣的情況代表此詞彙並沒辦法很好的將群體差異做區分。因此我們所採用的詞 彙分析方法為 term frequency–inverse document frequency (TF-IDF)，TF-IDF 為一種統計 方法，是由 Term Frequency (TF) 公式(2)，乘上 Inverse Document Frequency(IDF) 公式 (3) 。𝑛𝑛i,j代表詞彙 i 在文獻 j 中的出現頻率，𝑡𝑡𝑡𝑡𝑖𝑖,𝑗𝑗則計算𝑛𝑛i,j除以所有詞彙在 j 文件下的頻 率總和；𝑖𝑖𝑖𝑖𝑡𝑡𝑖𝑖代表詞彙 i 在 D 所出現的次數取對數，D 為所有文獻的總數目。
𝑡𝑡𝑡𝑡𝑖𝑖,𝑗𝑗= 𝑛𝑛𝑖𝑖,𝑗𝑗
∑ 𝑛𝑛𝑘𝑘 𝑘𝑘,𝑗𝑗 (2)
𝑖𝑖𝑖𝑖𝑡𝑡𝑖𝑖 = log |𝐷𝐷|
��𝑗𝑗: 𝑡𝑡𝑖𝑖 ∈ 𝑖𝑖𝑗𝑗�� (3) 圖 5. 5 以白居易做出發節點的無向邊群體
元稹 裴度
劉禹錫
白居易
33
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
TF-IDF 的統計方法，能評估一個詞彙在一個文件集中的重要程度，而我們的分析 是以各群體來表示 TF-IDF 中的各個文件，藉此評估一個詞彙對各詩人群體的重要程度。
我們選用的詞彙，為單一時期所有詩人的作品內文做 bigram，並取統計結果的詞頻前 250 名作為我們 TF-IDF 中的選用詞彙。