打開查分界面，我看到我的“中國近現(xiàn)代史綱要”一欄露出了難看的臉色。

這時，一個程序突然自告奮勇：“不就是這種簡單的考試嗎？讓我學(xué)一下你們的課本，我也能夠上考場！ ( ￣ー￣)”

我把我的課本文本輸入給它。不到一分鐘以后，它對我說：“我學(xué)完了，來考我吧。”

雖然也只是在考前突擊了兩天，但我對它如此之快的速度還是深感嫉妒。我問：“你知道孫中山先生都干了哪些事情嗎？”

“發(fā)動護法運動、就任臨時大總統(tǒng)、讓位于***”

“不錯嗎，你是怎么做到的？”

“讓我給你細(xì)細(xì)講來吧……”

準(zhǔn)備工作

程序：“首先引入一些必要的庫，然后我加載doc為1840—1919年中國大事的那一段段文本做個簡單的示例，這部分代碼就不用我列出來了吧。”

旁白：這里使用harvesttext庫進行文本挖掘，它的許多功能能夠使得文本分析的流程變得更加輕松。前面的“用python分析《三國演義》中的社交網(wǎng)絡(luò)”一文也使用了這一工具。

ht = HarvestText()sentences = ht.cut_sentences(doc)

有哪些重要對象

“重要對象，一般都是一些專有名詞。我可以利用自然語言處理中的命名實體識別技術(shù)就能夠識別出這樣的一些對象，比如：人名、地名、機構(gòu)名還有其他專有名詞等。”

HarvestText中包裝精簡了pyhanlp中的命名實體識別接口，讓我們來使用它找到近代史中的重要對象吧。

entity_type_dict = {}for i, sent in enumerate(sentences): entity_type_dict0 = ht.named_entity_recognition(sent) for entity0, type0 in entity_type_dict0.items(): entity_type_dict[entity0] = type0for entity in list(entity_type_dict.keys())[:10]: print(entity, entity_type_dict[entity])中國 地名鴉片戰(zhàn)爭 其他專名五四運動 其他專名英國 地名南京 地名望廈 其他專名黃埔 地名不平等條約 其他專名洪秀全 人名金田 地名

把找到的實體登錄，我們就可以統(tǒng)計他們出現(xiàn)的次數(shù)，通過詞頻來判斷它們的重要性。

ht.add_entities(entity_type_dict = entity_type_dict)inv_index = ht.build_index(sentences)counts = ht.get_entity_counts(sentences,inv_index)print(pd.Series(counts).sort_values(ascending=False).head())中國 21清政府 6日本 5孫中山 4英國 3dtype: int64

我：“這個分析確實有用，看著這些詞我就聯(lián)想到了，在1840—1919年的中國，清政府面對外敵的屈辱，以及孫中山先生為代表的有識之士的努力。但是考試不是單考這些對象，關(guān)鍵要考和它們有關(guān)的知識點啊。”

程序：“別著急，對于知識點，我也有辦法找到。”

有哪些重要知識點

程序：“你們說的重要知識點，可以認(rèn)為是包含了那些重要對象的事件或者事實吧。對于你們?nèi)祟悾聦嵖赡芫褪亲匀徽Z言描述的一句話。不過對于我們程序，我們要用一種標(biāo)準(zhǔn)清晰的結(jié)構(gòu)來表示它。三元組組成的知識圖譜就是一種解決方案。”

三元組就是類似（主語，謂詞，賓語）的結(jié)構(gòu)，比如：

[‘清政府’, ‘簽訂’, ‘天津條約’]

[‘***’, ‘復(fù)辟’, ‘帝制’]

[‘孫中山’, ‘就任’, ‘臨時大總統(tǒng)’]

我：“有點意思，三個詞基本就能凝練地表達一句話中的主要事實了。但是你只有文本作為輸入，你要怎么從中提取出這樣的三元組呢？”

程序：“上面已經(jīng)提到三元組有（主語，謂詞，賓語）的結(jié)構(gòu)。你要是英語/語文課學(xué)得好的話，應(yīng)該會聯(lián)想到主語、謂語、賓語這些語法概念吧？而我就可以使用依存句法分析技術(shù)從文本中獲得這些句法信息。”

分析大致是這樣的：

可以看到，從主謂關(guān)系和動賓關(guān)系，我們就能夠自然地得到我們需要的三元組[‘***’, ‘復(fù)辟’, ‘帝制’]。

保留更多的信息，比如修飾主語的形容詞，能夠讓三元組的意思更加完整。我們可以利用別的關(guān)系來擴充事實：

原來我們只會得到[‘孫中山’, ‘就任’, ‘大總統(tǒng)’]。現(xiàn)在利用定中關(guān)系，我們就知道“臨時”一詞修飾“大總統(tǒng)”，我們就能夠得到[‘孫中山’, ‘就任’, ‘臨時大總統(tǒng)’]這個更完整的事實了。

我：“emmm…我的英語學(xué)得不好，這些語法看得有點頭暈。”

程序：“好吧 (￢_￢)，不過把它包裝成接口以后，我們就可以很簡單地使用這個技術(shù)了。現(xiàn)在讓我們用它來找到課本里的重要知識點：”

ht2 = HarvestText()SVOs = []for i, sent in enumerate(sentences): SVOs += ht2.triple_extraction(sent.strip())print(" ".join(" ".join(tri) for tri in SVOs[5:10]))英法聯(lián)軍 發(fā)動 侵略中國清政府 簽訂 天津條約清政府 簽訂 北京條約慈禧太后 掌握 清王朝政權(quán)這是中國半殖民地半封建社會 形成 中國資本主義產(chǎn)生時期

程序：“怎么樣？要不考慮下次考試讓我?guī)湍銊澲攸c？”

我：“有的三元組看起來還挺不錯的，但是有的感覺有點奇怪啊。”

程序：“不要在意這些細(xì)節(jié)……那是因為你們給我寫的算法還有很多提升空間嗎，但總體質(zhì)量還是不錯的。”

“有了這些結(jié)構(gòu)化的知識，我就可以接著建立知識圖譜，‘掌握’這些知識之間的聯(lián)系。”

知識圖譜長什么樣呢？它可以理解為實體之間的網(wǎng)絡(luò)，網(wǎng)絡(luò)之間的連邊就是實體之間的聯(lián)系，做出一張圖來直觀地感受下：

fig = plt.figure(figsize=(12,8),dpi=100)g_nx = nx.DiGraph()labels = {}for subj, pred, obj in SVOs: g_nx.add_edge(subj,obj) labels[(subj,obj)] = predpos=nx.spring_layout(g_nx)nx.draw_networkx_nodes(g_nx, pos, node_size=300)nx.draw_networkx_edges(g_nx,pos,width=4)nx.draw_networkx_labels(g_nx,pos,font_size=10,font_family='sans-serif')nx.draw_networkx_edge_labels(g_nx, pos, labels , font_size=10, font_family='sans-serif')plt.axis("off")plt.show()

現(xiàn)在，上考場吧

“現(xiàn)在我學(xué)會了這些知識，就可以建立起問答系統(tǒng)，回答一些問題。出幾個問題來考考我吧？”

問答系統(tǒng)的具體實現(xiàn)思路可以見我的另一篇博客：https://blog.csdn.net/blmoistawinde/article/details/86556844

QA = NaiveKGQA(SVOs, entity_type_dict=entity_type_dict)questions = ["孫中山干了什么事？","清政府簽訂了哪些條約？","誰復(fù)辟了帝制？"]for question0 in questions: print("問："+question0) print("答："+QA.answer(question0))問：孫中山干了什么事？答：讓位于***、發(fā)動護法運動、就任臨時大總統(tǒng)問：清政府簽訂了哪些條約？答：天津條約、北京條約問：誰復(fù)辟了帝制？答：***

回答得相當(dāng)不錯。盡管當(dāng)下這些問題是我特地挑選出來的，確定知識庫里有正確的答案。不過當(dāng)技術(shù)發(fā)展完善，或許有一天，它真的能夠走上考場，取得不錯的成績呢。

本文故事純屬虛構(gòu)，近綱考砸卻是真事。不過我會感謝這門課教給我的歷史教訓(xùn)，還有帶給我的本文寫作靈感。