我做了個自動寫咪蒙體的機器人,發現咪蒙就是小黃文+shi尿屁
最近對文本挖掘產生了興趣,在研究詞向量時,突然有一個有趣的設想,有無可能構建一個自動寫文章的機器人,它可以根據我設定的詞眼,把文章續寫下去。
在網上找案例,都是用詞向量提取中心思想,提高閱讀效率之類,突然靈光一現,想到Python的結巴分詞包有一個函數,叫tokenize,它可以返回詞語在原文的起止位置,比如我們對「咪蒙的毒雞湯」這句話使用這個函數,會有以下結果:
word:咪蒙,start :0,end:2
word:的,start:2,end:3
word:毒,start:3,end:4
word:雞湯,start:4,end:6
於是可以用這樣一個邏輯來構建機器人:
1、收集足夠多的語料,對這堆語料使用tokenize這個函數,這樣就構建了一個龐大的詞包,這個詞包除了分好的詞,還有該詞的起始位置和結束位置;
2、設定一個開始詞,比如「我們」,用這個開始詞去遍歷詞包裡邊所有的「我們」,匹配所有結束位置,隨機選擇一個結束位置作為我們下一個詞的開始位置,這樣就匹配到「我們」的下一個詞,假設匹配到的下一個詞是「是」;
3、把「是」賦給開始詞,再去匹配它下一個詞,循環這個過程,這樣就構建了一篇上下詞通順的隨機文章。
對這個機器人,我們只需要2個參數,1個是開始詞,1個是循環的次數,也就是詞數。我把咪蒙幾十篇文章作為語料,用這個機器人來隨機輸出文章,結果比較有趣。
小黃文集錦:
你花幾分鐘,世界的那碗面是你的,我對你戒煙,絕對不是為了保持2個通宵喝酒,說你的壞話,而是選擇看各種激情互撩撩到小卧室,這是你的菜。
我們也不覺得愛情具有毀滅性。不要忘了,今天要為奧運冠軍加油,他的人生給了李易峰。
如果當年沒有愛,請掏出來你的XX………
日日好吧」,來到小區超市,把陰毛賣了,談夢想,換成「在燈火輝煌孕期出軌,性愛是需要你干雜事;
他流產,只看了男人褲襠里的精神。
為了性」只要你?不要冷戰,40多歲的時候容易自卑,那你真是曠世傳奇。
2萬塊。男神可能會賣。
老公,日日好感動。阿九跟進了,去找你,我們一樣啊,都是需要的人,這5月了你也會喜歡啊、更有彭于晏
男人無趣吧。
小朵已經配不上。對於他而言,13cm,猥瑣,這件事。啊!事情太多了,決心,談笑風生,還算個小奶狗。記者說:紙媒一直鼓勵女性,毫無心理準備的,我該感動的故事告訴李野都可以接受
帥呀,最好還黑,還特別看不慣他還有一位是從哈佛輟學的偶像,愛情只是因為它的增大手術
輸出的文章70%都是這樣的小黃文你信 >_<|||
很厲害的樣紙:
粉絲說世上最美好的黑料,是荒島上的簽名CD,有16個蠟染的節目,說,他真的挺想去。
馬雲自己的設計LOGO啊,那是,大家的理由!
這,真的很屎尿屁:
現在把一個毫無心理準備的朋友胖,他非常生氣了,但他濕漉漉的
我多麼屎尿屁!如果聊到吃,不會背叛過大的本能——我對她老公,一定謹慎使用電鑽
我相信的。
「你的公司吃一頓,怕我不,要。這是苟且,這只是每個人畜無害的時候,看到桌上擺著自己活成一個男人。那天開始翻垃圾。可是,我那麼窮,
明星集錦:
男人,白襯衫外面這麼好賺?
女人放在眼裡。男生惹毛了傻逼的老師。李易峰好男兒決賽那天,不走心。
我愣了呀。
別懷疑自己當孫子,不是陌生人才看到了,咪蒙的專業性。他真的是當初是一種能力。一個屁都擠滿了呀。林丹還能不能不要喜歡他
男人不會尷尬。
因為不滿意,你都去了再PS:王小波的屎也在,我每天跟服務員理論。
我留在這座城市,搞起來。
大佑問阿九這樣的人生,就是最高的搪瓷碗。喝一杯皇家有機純天然一鍋湯
評論區一直說句子不通順,確實有這個問題,因為生成的下一個詞僅考慮到上一個詞的依賴關係,而跟上上個詞沒有關係,那假設讓它跟上上個詞也有依賴關係呢?於是有了下面的優化邏輯:
1、設定2個開始詞,比如「我」和「身邊」;
2、匹配關鍵詞是「我」的結束位置,匹配關鍵詞是「身邊」的起始位置,取這2個集合的交集,目的是匹配所有「我身邊」這個連續片語對應的下一個詞;
3、隨機取交集中任意一個數字,匹配這個數字對應的詞,假設匹配到的是「有」;
4、把「身邊」賦給第1個詞,把「有」賦給第2個詞,再去匹配第3個詞,循環這個過程,這樣就構建了一篇上上下詞通順的隨機文章。
看看文章會不會通順一點:
後來才知道,只有我最欣賞的創業者傅盛就說,對不起啊,加了罌粟殼嗎。
有些忐忑,下午放學,我今天想說把公司搞垮
每次做完兼職,他的興趣愛好就是跟她收入相當,傳說中的少男少女,祝你們天天好體位,我擦。
我坐在末班車上,嘔吐、頭暈各種花式折磨,需要發泄情緒。
現在結婚已經9年了,因為我們信錯了人。
失敗者卻滿懷傲慢與偏見。
守護這樣的貨色要多少有多少。他重啟一次電腦,喝水用的還是橡膠暖水袋……
愛情世界裡,最難的功課不是喜歡人,比如,他一出場,簡直能讓人噁心呢?
我會大聲地告訴你了,先檢討自己。沒錯,他也會當場脫褲子的。很多時候,還全方位挑刺。
確實通順了一些,也沒有錯位的標點符號了,當然,內容還是很屎尿屁,畢竟咪蒙的風格。
我會繼續優化的,需要你的支持需要你的點贊哦 (>口<-)
更多有趣的數據分析,可以關注我的公眾號哦,washu66
推薦閱讀:
※新媒體快速入門?別追新潮,去讀讀教科書!
※新媒體運營入門指南
※4· 獨家原創|新媒體廣告的發展前景
※歌詞即文案,周杰倫的深情不只是《等你下課》