文本挖掘实操｜用文本挖掘剖析54万首诗歌，我发现了这些(21)

一路寒声送归雁，秋深不见客愁窗。
我欲从君寻旧隐，扁舟重访草堂堂。
独有英灵知此意，不堪回首泪沾裳。
回首故园归未得，西风萧瑟动悲歌。
回首不堪惆怅事，夕阳芳草满汀波。
...
上述生成的诗句缺乏革命主义的乐观豪情，这是封建时代的诗歌不具备的特质，但这恰好毛主席和陈老总这两首诗歌的与众不同之处。且看这两句：
天若有情天亦老，人间正道是沧桑。
投身革命即为家，血雨腥风应有涯。“
文章合为时而著，歌诗合为事而作”，上述的结果也恰恰从侧面体现了诗歌创作具有时代感和现实感，尽管是写同一题材，但由于诗人的人生轨迹和面临的时代背景不一样，胸中所内含的气象也大不相同。
上述由GPT2生成的诗歌看起来都还不错，很多到了以假乱真的地步，这种情况下，我们该如何甄别出其中哪些是人写的，哪些是机器写的？
机器写作诗歌归根到底还是一个统计学问题，“解铃还须系铃人”，甄别“真伪”的事情还得统计学来解决。
7.2 人机诗歌创作的差异比较
诗歌生成建模大致的原理是：通过大量诗歌语料，诗歌生成模型能学习到任一诗句中相邻的字词之间的依赖关系，比如出现一个“漠”，GPT2按照学习到的经验，会猜测接下来会出现哪个字，这些字都会以概率的形式“存放”在GPT2模型的“记忆”之中，如：
“漠”：0.1205，
“北”：0.0914，
“然”：0.0121，
“视”：0.00124，
...
一般情况下，机器“作诗”时会选择过往出现几率最高的字，以此类推，直到碰到“终止符”才结束，逐渐生成整首诗歌。

这是最简单的情形，生成的效果也就非常一般，很多时候是文理不通。
为了保证生成效果，一般会（同时）用到一些复杂的生成策略，如Beam Search、Top-k sampling、Top-p sampling（NUCLEUS SAMPLING，核采样）、Repetition_penalty（对重复性进行惩罚）、Length_penalty（对生成过长的诗句进行惩罚）等，这样会兼顾诗歌生成的一些其他因素，如流畅度、丰富度、一致性等，诗歌生成的效果也能得到较大的提升。