【導(dǎo)讀】如何評(píng)定一首歌的歌詞的創(chuàng)造性？有些歌詞是否真的套詞或假借他人之手？本文作者就嘗試用 NLP 技術(shù)分析了一位出名卻也具有爭議的嘻哈歌手 —— Drake 創(chuàng)作的歌詞，來看看他的歌詞中到底蘊(yùn)藏著什么秘密。

背景

每隔幾年就會(huì)有一位藝術(shù)家風(fēng)靡世界。甲殼蟲樂隊(duì)和邁克爾杰克遜的盛名不必多說。 這些藝術(shù)家用他們天才般的創(chuàng)造力感染著數(shù)百萬人。現(xiàn)在，許多藝人爭相想成為 Top 1。有些出乎意料的是，一位多倫多本地，藝名叫“Drake”的藝人，近年來聲勢頗盛。

Drake最初聲名鵲起的原因他參演了一部在21世紀(jì)初流行的青少年情景喜劇《德格拉西：下一代》中的角色。然而，當(dāng) Drake 想成為一名說唱歌手時(shí)，他便退出了演出。在與唱片公司簽約后，Drake 發(fā)行了他的第一張專輯《So Far Gone》。這張專輯獲得了 Platinum 認(rèn)證，并讓Drake迅速登頂了嘻哈世界的頂峰。在接下來的八年里，他又連續(xù)出了多張專輯，其中專輯Scorpion 是他最近發(fā)行的新專輯。

為什么 Drake 的作品很受歡迎？這里面可能包含很多原因。然而，我選擇從他歌曲的歌詞方分析入手。獲取 Drake 歌曲的歌詞文本數(shù)據(jù)并不困難，難的是，如何分析它們？這就要感謝如今日益提升的 NLP（自然語言處理）技術(shù)，使分析文本數(shù)據(jù)比以往容易很多。

今天，神經(jīng)網(wǎng)絡(luò)已經(jīng)成為無數(shù) NLP 算法的通用框架，有各種各樣的工具可供使用，因此開發(fā)者可以使用它們解決大量的 NLP 問題。這些工具讓我可以分析 Drake 的歌詞。

在進(jìn)入實(shí)際分析之前，我需要先處理一下 Drake 的歌詞。雖然有幾個(gè)在線的歌詞資源可用，但我決定使用 Genius.com。Genius 是一個(gè)注釋歌詞的網(wǎng)站，并且有一個(gè)很棒并易于使用的API。

Drake 的哪一首歌有最獨(dú)特的歌詞？

大家似乎對(duì) Drake 的創(chuàng)造力并不買賬，經(jīng)常批評(píng)他缺乏創(chuàng)造力。過去，他常被指控竊取其他說唱歌手的 flow 并且擁有幕后的作詞者。我打算去看看這些評(píng)論是否合理。

我從其他文章中提到的處理方法獲得靈感。不分析歌詞的總字?jǐn)?shù)，在我看來一首歌的歌詞總字?jǐn)?shù)并不能作為衡量創(chuàng)造性的主參考，我改為分析歌詞中的獨(dú)特詞。

在完成清理文本數(shù)據(jù)后，我開始分析每首歌曲中獨(dú)特歌詞的數(shù)量。下面是 Drake 所有歌曲中獨(dú)特歌詞分布的直方圖。似乎他的大多數(shù)歌曲都有 100 到 200 個(gè)獨(dú)特詞。但是沒有其他藝術(shù)家歌曲的分布作參考，這個(gè)直方圖目前并不能說明 Drake 的創(chuàng)造力。

一個(gè)更好的方法是根據(jù)專輯的獨(dú)特詞來看他的創(chuàng)造力。下圖是在 Tableau 中完成的可視化結(jié)果。x 軸表示專輯的名稱，y軸表示獨(dú)特詞的數(shù)量。每個(gè)Bubble（氣泡）代表一首歌。就獨(dú)特的歌詞而言，似乎沒有任何一張專輯顯得更具創(chuàng)意。但是，每件作品在獨(dú)特歌詞數(shù)量方面至少有一個(gè)異常值。令人吃驚的是，盡管有如此龐大的作品數(shù)量（25首歌曲），他最近發(fā)行的專輯 Scorpion 上的歌曲在獨(dú)特歌詞的數(shù)量上幾乎沒有變化。

現(xiàn)在，再回答上面的問題，哪首歌具有最獨(dú)特的歌詞？答案似乎是 6PM in New York。 下表列出了排名前十的歌曲。

命名實(shí)體識(shí)別（NER）

命名實(shí)體識(shí)別屬于“信息提取”的子任務(wù)，旨在將文本中的命名實(shí)體定位和分類為預(yù)定義的類別，例如人員，組織，地點(diǎn)，時(shí)間表，數(shù)量，貨幣價(jià)值，百分比等等。”（維基百科）。 NER是一項(xiàng)特別棘手的任務(wù)。由于語言的復(fù)雜性，使得創(chuàng)建一個(gè)對(duì)所有文本都準(zhǔn)確的 NER 算法非常困難。某個(gè)算法或許可以在一個(gè)語料庫（在我們的例子中就是 Drake 歌詞的集合）上效果很好，但是在另一個(gè)語料庫上表現(xiàn)就不好。這種不一致性使得有必要多嘗試幾種 NER 算法。我也嘗試了集中不同的算法，發(fā)現(xiàn)有些算法并不是非常不準(zhǔn)確。下面簡要介紹一下我使用的兩個(gè) NER 算法：NLTK 和 CRF-NER。

第一個(gè)是 NLTK 提供的命名實(shí)體算法。“Ne_chunk”使用了部分語音標(biāo)簽（POS標(biāo)簽）的單詞列表來推斷哪些單詞是命名實(shí)體。從下面的結(jié)果中可以看出，NLTK的算法本身并沒有做得很好。

我嘗試的第二個(gè)命名實(shí)體算法是由斯坦福提出的令人印象深刻的 NER 工具 —— CRF-NER。

與NLTK算法相比，它需要更長的運(yùn)行時(shí)間，但會(huì)產(chǎn)生更準(zhǔn)確的結(jié)果。雖然它并不完美，但有明顯的進(jìn)步。

主題建模

NLP中最有趣的方向之一就是主題建模了。主題模型是一種統(tǒng)計(jì)模型，用于發(fā)現(xiàn)在文檔集合中的抽象主題。它是一種常用的文本挖掘工具，用于在文本中發(fā)現(xiàn)隱藏的語義結(jié)構(gòu)”。主題建模有幾種突出的算法。其中最突出的是顯式語義分析和非負(fù)矩陣分解。在這次的分析中我選擇用線性判別分析（LDA）。LDA是由 Andrew Ng，Michael I. Jordan和David Blei 開發(fā)的一種生成統(tǒng)計(jì)模型。首先通過學(xué)習(xí)給定語料庫中固定數(shù)量的主題表示，然后在給定的主題數(shù)量的情況下，LDA將學(xué)習(xí)語料庫中每個(gè)文檔的主題分布。

▌1.給所有Drake的歌詞進(jìn)行主題建模

想要使用 LDA 的第一件事就是學(xué)習(xí) Drake 所有歌曲中最突出的主題。為了實(shí)現(xiàn)這一點(diǎn)，我先將所有歌曲放入列表中。然后，使用 SciKitLearn 的 CountVectorizer 工具，創(chuàng)建了所有這些歌曲的詞袋表示。詞袋模型是一種通過矩陣表示單詞的簡單方法。 然后，使用SciKitLearn 版本的LDA，我訓(xùn)練了一個(gè)可以在給定文本中找到8個(gè)主題的模型。

▌2.可視化主題

有兩種將 LDA 模型進(jìn)行可視化的方法。第一個(gè)是通過寫一個(gè)函數(shù)，輸出為每個(gè)主題中最突出的單詞。這個(gè)結(jié)果似乎很有意思，但它只能提供了少量的信息。例如下圖中的結(jié)果，能知道主題7與主題2不同，但無法得知更多它們之間不同程度的信息。

出于這個(gè)原因，我用了另一種可以在文本中顯示主題的方法。

在Python中，有一個(gè)很棒的庫叫做 pyLDAvis。它是一個(gè)專門使用 D3 來實(shí)現(xiàn) LDA 模型可視化的庫。D3可以說是目前最好的可視化工具。（但是，它主要為 Javascript 用戶準(zhǔn)備的。因此擁有此插件但對(duì)JavaScript 不太了解的人非常有用。）這個(gè)庫通過降維來實(shí)現(xiàn)可視化。 降維將有許多變量的數(shù)據(jù)集壓縮為較少量的特征。降維技術(shù)對(duì)于數(shù)據(jù)可視化非常有用。基于我要解決的問題，我認(rèn)為最好使用T-SNE（T分布的隨機(jī)鄰域嵌入）來降低維數(shù)。

從我訓(xùn)練好的模型來看，Drake的大部分歌詞都可以分類到了 Topic 2，一個(gè)占據(jù)圖表大部分的大型主題。

▌Drake 所有主要專輯的主題又是什么樣的呢？

我按照與之前相同的步驟來嘗試處理這個(gè)問題，這次我沒有用 LDA 算法去找每個(gè)專輯間的主題。 而是使用了定義函數(shù)的方法來顯示他所有主要作品中最突出的單詞。

總結(jié)

每當(dāng) Drake 發(fā)布新歌或?qū)］嫊r(shí)，肯定會(huì)有不滿的聲音。但他的作品幾乎總是在人氣榜上排名靠前的位置。他的歌詞瞬間也成為 Instagram 和 Facebook 話題的主要內(nèi)容，還會(huì)霸占數(shù)星期。他的歌讓人很容易記住，大部分原因要?dú)w功于他的歌詞。

通過主題建模和命名實(shí)體識(shí)別完成了一個(gè)簡單的 NLP 項(xiàng)目，也對(duì)文本內(nèi)容（Drake的歌詞）有了不同且更具體的理解。這只是一個(gè)起點(diǎn)，也建議大家在工作和生活中進(jìn)行一些實(shí)踐，不斷嘗試，積累技能。