1. 前言

在互聯(lián)網(wǎng)這個(gè)汪洋大海中，有一個(gè)網(wǎng)站叫虎撲，據(jù)稱“可能是最好的籃球網(wǎng)站”?；湟浴皾窈鹾醢鍓K”為核心，集聚了大量的籃球運(yùn)動(dòng)愛(ài)好者。就像“濕乎乎”的字面意思一樣，虎撲里時(shí)不時(shí)會(huì)因?yàn)闊狳c(diǎn)實(shí)現(xiàn)事件、話題掀起海嘯一般的唾沫星子——這都是JRs爭(zhēng)論時(shí)噴出來(lái)的。以前，這個(gè)網(wǎng)站里有很多清涼圖片，年少的我每天逛得樂(lè)不思蜀。后來(lái)，虎撲好像要做個(gè)好人，主要呈現(xiàn)體育運(yùn)動(dòng)相關(guān)相關(guān)信息，沒(méi)有啥刺激性內(nèi)容了。

作為一個(gè)老JR，我在開(kāi)放區(qū)、步行街、濕乎乎潛行十幾年，發(fā)現(xiàn)大家最喜歡的話題，莫過(guò)于“誰(shuí)是最XX的”。假如說(shuō)，我發(fā)一個(gè)帖子問(wèn)“姚明是當(dāng)時(shí)最厲害的中鋒嗎”，估計(jì)58秒內(nèi)會(huì)有4000個(gè)JRs提著40米的大刀前來(lái)發(fā)言?！白頧X”的話題中，最讓人欲罷不能的，當(dāng)屬“誰(shuí)是最紅的巨星”、“誰(shuí)是籃球界的門面”這類討論。由于大家沒(méi)有具體的數(shù)據(jù)，只能憑感覺(jué)比較或者基于簡(jiǎn)介數(shù)據(jù)來(lái)佐證，這種討論沒(méi)辦法得出令所有人性福的結(jié)論。

作為一個(gè)做NLP算法的JR，我利用手上的技能和工具，對(duì)虎撲最近若干個(gè)月的所有帖子(各大板塊的3160340個(gè)主貼和128162300個(gè)跟帖)進(jìn)行了簡(jiǎn)單的統(tǒng)計(jì)，試圖給大家伙一個(gè)參考。我是這么做的:識(shí)別所有帖子中的人名，并統(tǒng)計(jì)每個(gè)人名的出現(xiàn)次數(shù)，然后直接以名字的頻數(shù)作為對(duì)應(yīng)球員的熱度。這里使用的NER和分詞算法都來(lái)自阿帕比技術(shù)公司開(kāi)發(fā)的NLP工具包。

本文的主要內(nèi)容是:首先介紹文本的目的和意義；然后直接給出結(jié)論，即誰(shuí)是最火的籃球運(yùn)動(dòng)員；接著介紹從數(shù)據(jù)獲取到得出結(jié)論的整個(gè)過(guò)程，包括必要的軟件系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)、數(shù)據(jù)的基本情況和數(shù)據(jù)統(tǒng)計(jì)的具體方法，以說(shuō)明結(jié)論的合理性。

2. 目的和意義

我做這個(gè)分析的首要目的，是想調(diào)查一下，中國(guó)男子職業(yè)籃球聯(lián)賽(China Basketball Association, CBA)在國(guó)內(nèi)的受眾廣度。另外，我也想知道CBA的發(fā)展階段，比如相比NBA,其受眾廣度的大小。這是好奇心驅(qū)動(dòng)的一個(gè)項(xiàng)目。

其次，在這個(gè)過(guò)程中，把數(shù)據(jù)采集、目標(biāo)范圍定義、數(shù)據(jù)清洗、建模、可視化等等環(huán)節(jié)——都玩耍一下。是的，工作一般來(lái)說(shuō)比較枯燥，各種形式的玩?？梢哉{(diào)劑一下。

再次，我需要一個(gè)形式，把目前的思維方式、方法論、技術(shù)水平等等記錄下來(lái)，以便以后復(fù)盤和優(yōu)化。

最后，這種分享行為是學(xué)術(shù)公益活動(dòng)的一種，可以幫很多需要入門的人避免踩坑。

3. 誰(shuí)是虎撲籃球熱度南波萬(wàn)

在虎撲，誰(shuí)是最火的籃球運(yùn)動(dòng)員？是無(wú)極尊嗎？廢話少說(shuō)，先上結(jié)論。

3.1. 中美籃球職業(yè)籃球運(yùn)動(dòng)員熱度排行榜

3.1.1. 中美明星球員熱度比較

如表3-1，是中國(guó)職業(yè)男子籃球聯(lián)賽和美國(guó)職業(yè)男子籃球聯(lián)賽本賽季注冊(cè)運(yùn)動(dòng)員的熱度排行前20名(可視為中美籃球明星)。中美籃球明星榜被美職籃球員統(tǒng)治了——只有4位CBA球員進(jìn)入了這個(gè)榜單，他們是新疆飛虎隊(duì)的周琦、廣東華南虎隊(duì)的易建聯(lián)、遼寧飛豹隊(duì)的郭艾倫和北京鴨隊(duì)的林書(shū)豪。

表 3-1中美現(xiàn)役籃球運(yùn)動(dòng)員熱度排行top 20

從明星球員的公司情況可以看出，在虎撲網(wǎng)，中職籃明星球員的熱度大幅度地低于美職籃明星球員。按理說(shuō)，虎撲作為一個(gè)中文體育網(wǎng)站，是我們的主場(chǎng)，中職籃應(yīng)該向朱芳雨一樣，輕輕松松“一拳打開(kāi)了天”，如圖3-1。實(shí)際情況是，美職籃依靠其更高的經(jīng)濟(jì)水平和觀賞性，以及更高的運(yùn)營(yíng)和推廣能力，統(tǒng)治了我們的主場(chǎng)。中職籃產(chǎn)生流量的能力水平其實(shí)是比較菜的，類似圖3-2。

圖 3-1 朱8化身為龍(圖片來(lái)源http://mini.eastday.com/mobile/191023171648625.html)圖 3?2 我們的真實(shí)水平(圖片來(lái)源www.fabiaoqing.com)

3.1.2. 中美普通球員熱度比較

籃球是一項(xiàng)集體運(yùn)動(dòng)，不只有璀璨的明星，更多的是普通球員。在中美的普通球員之間，有沒(méi)有類似明星球員那樣的熱度差距呢？如圖3-3，是中職籃和美職籃球員熱度的箱型圖。由于普通球員的熱度相對(duì)明星球員非常低，我的“箱子”被壓得非常扁，肉眼看不出來(lái)最廣大人民的情況。

圖 3?3 中美球員熱度分布對(duì)比

這時(shí)候，我們可以用直方圖來(lái)分析一下。如圖3-4，有4個(gè)子圖，其中左邊一列是中職籃和美職籃全體球員的熱度直方圖。我又截取了兩個(gè)聯(lián)盟里熱度值小于等于90分位數(shù)的球員數(shù)據(jù)，形成了圖3-4里右邊一列子圖。

圖3-4左邊一列子圖告訴我們，中職籃和美職籃都是明星當(dāng)?shù)?，少?shù)高水平球員產(chǎn)生了絕大部分的熱度。剩下的都是默默無(wú)聞的普通球員。注意右邊一列子圖橫軸的取值范圍，中職籃的普通球員熱度，比美職籃的普通球員熱度低了一個(gè)數(shù)量級(jí)。

看來(lái)我們和人家的差距，是全方位的。

圖表 3?4 中美球員熱度直方圖

總的來(lái)說(shuō)，我國(guó)運(yùn)動(dòng)員的熱度，在一個(gè)國(guó)內(nèi)網(wǎng)友為主的論壇里，是低于美職籃運(yùn)動(dòng)員的。

3.2. CBA人物熱度榜

如表3-2，是中職籃球員的熱度排行。我已經(jīng)多年不看球了，這個(gè)榜單中的一小部分名字不熟、大部分球員不熟，只挑幾個(gè)熟悉的說(shuō)說(shuō)。周琦在CBA球員中的領(lǐng)先優(yōu)勢(shì)，比“美國(guó)周琦”在NBA球員中的領(lǐng)先優(yōu)勢(shì)要大得多。易建聯(lián)、孫悅、周鵬這幾個(gè)老家伙，依然具有明星級(jí)別的熱度。其中易建聯(lián)依靠不懈的努力，依然具有頂尖的競(jìng)技水平。 林書(shū)豪作為當(dāng)年在NBA的“黃人之光”，受到了極高的關(guān)注。到了CBA，他直接成為聯(lián)盟里最火熱的球星。從這里也能看出我們的聯(lián)賽，在推廣方面，可以提升的空間還是很大的。小霸王斯塔德邁爾依靠在美職籃的野獸派+技術(shù)流打法，有著不錯(cuò)的人氣，也進(jìn)入了前20。

有個(gè)現(xiàn)象還是挺好的。這里絕大部分是我們的本土球員，說(shuō)明大家關(guān)注的，主要還是自己人。不論水平如何，咱們對(duì)國(guó)內(nèi)球員的支持還是一如既往，希望依靠自己人來(lái)提升我國(guó)籃球的競(jìng)技水平。

中職籃和美職籃這兩個(gè)商業(yè)體育賽事的熱度，主要還是靠明星球員來(lái)產(chǎn)生。人們圍繞這些明星球員創(chuàng)作了各種各樣的概念和梗，讓體育比賽更有故事性、從而進(jìn)入球迷的茶余飯后。作為一個(gè)產(chǎn)品，體育賽事的用戶粘性也就得到了提升。中職籃要加油了，我們的比賽、球員水平需要提升，讓球迷們感覺(jué)這是個(gè)具有美感的體育賽事；也需要用球隊(duì)文化、故事之類的東西包裝一下我們的球員，讓他們可以成為球迷們口頭禪的一部分。

表 3-2 中職籃球員熱度排行top20

3.3. NBA人物熱度榜

如表3-3，是美職籃球員熱度排行榜。老詹球場(chǎng)上實(shí)力超群，場(chǎng)下也是“流量皇帝”，熱度值大幅領(lǐng)先于他的同事。據(jù)我所知，在濕乎乎里隨便發(fā)一個(gè)關(guān)于老詹的帖子，就可以收割曝光量了。雷霆三兄弟不光都成為了了最有價(jià)值球員，還都成了最具熱度球員。三弟的排行超過(guò)了大哥，看來(lái)好平臺(tái)的作用還是非常大的。萊昂納德依靠高超的技藝，和最近幾年的爭(zhēng)議性事件，也積累了極高的人氣，竟然能排在威少的前面，把雷霆仨兄弟給分開(kāi)。

這里有一個(gè)比較明顯的問(wèn)題，就是金州勇士隊(duì)的庫(kù)里沒(méi)有進(jìn)入top20。他的熱度竟然排在了第76位，不尋常。主要原因是我的球員名字?jǐn)?shù)據(jù)庫(kù)構(gòu)建的不完整，沒(méi)有收錄類似“庫(kù)日天”“庫(kù)昊”“小學(xué)生”“金州拉文”“萌庫(kù)”這樣的別稱。眾所周知，庫(kù)里的球迷特別喜歡為庫(kù)里其各種各樣的綽號(hào)，比如用“庫(kù)日天”來(lái)表達(dá)對(duì)庫(kù)里精湛的投籃技術(shù)的贊美。漏掉了這些別稱的后果，就是這位球員的熱度被大大低估了。由于任務(wù)架構(gòu)設(shè)計(jì)失誤，沒(méi)有保存人名抽取的中間結(jié)果，再算一遍的成本抬高，我這里就不重算啦。

表 3-3 美職籃球員熱度排行top20

3.4. 特色球員簡(jiǎn)介

我發(fā)現(xiàn)了虎撲里流量最高的籃球運(yùn)動(dòng)員，是時(shí)候蹭一波熱度了。這時(shí)候，我需要發(fā)揮比大師那種鉆研精神，好好地研究一下他們。

說(shuō)什么最吸引流量呢？當(dāng)然是有爭(zhēng)議性的話題。這里就選最具爭(zhēng)議性的話題：球星的梗。

3.4.1. 流量皇帝勒布朗-詹姆斯

果然，詹姆斯在現(xiàn)役籃球運(yùn)動(dòng)員中，是熱度最高的。

由于沒(méi)有統(tǒng)計(jì)退役球員的數(shù)據(jù)，沒(méi)有考慮喬丹、科比這樣的流量達(dá)人，這里只能說(shuō)“現(xiàn)役”。

如果這是篇學(xué)術(shù)論文，我會(huì)把詹姆斯的幾十個(gè)綽號(hào)全都收錄并展示出來(lái)。然而這是個(gè)“技術(shù)討論貼”，不利于大家團(tuán)結(jié)的內(nèi)容就不展示了(一些極端球迷使用了不和諧的措辭，給詹姆斯起了大量涉及人身攻擊的綽號(hào))，這里只展示圍繞生活和籃球的部分綽號(hào)。

表3-4 詹姆斯的外號(hào)與梗

如圖，我統(tǒng)計(jì)了老詹今年(實(shí)際是從2018年末開(kāi)始，但是這個(gè)階段的數(shù)據(jù)缺失太多)3月份以來(lái)，每一個(gè)周的熱度情況。由于代碼的bug，我的聚合操作，是按照“周五-下周四”這樣的時(shí)間范圍來(lái)做的。為了避免這幾臺(tái)機(jī)器的運(yùn)轉(zhuǎn)，造成我家氣溫繼續(xù)上升，我決定不重算啦。統(tǒng)計(jì)的bug不影響曲線所要表達(dá)的內(nèi)容。

今年湖人隊(duì)沒(méi)有進(jìn)入季后賽，所以老詹的熱度在相應(yīng)時(shí)間段里比較低，和“長(zhǎng)草期”差不多。七月份時(shí)，老詹的熱度突然升高了一下。當(dāng)時(shí)濃眉哥快要轉(zhuǎn)會(huì)到湖人隊(duì)，大家都在關(guān)注這支球隊(duì)、討論濃眉能否成功轉(zhuǎn)會(huì)。十月中下旬開(kāi)始，由于新賽季馬上就要開(kāi)始，老詹的熱度一下就上來(lái)了。

可以說(shuō)，球員的熱度主要依靠比賽帶來(lái)的曝光量來(lái)維持。

圖 3?5 2019年老詹的熱度變化(每周)

3.4.2. 男籃旗幟易建聯(lián)

易建聯(lián)是中國(guó)男籃歷史上難得的一號(hào)人物，不論是國(guó)內(nèi)比賽，還是國(guó)際比賽，都能火力全開(kāi)。當(dāng)然他從早期的一個(gè)身體素質(zhì)男，一步步成長(zhǎng)為后姚明時(shí)代的帶頭大哥，也是有一個(gè)過(guò)程的。

表 3-5易建聯(lián)的外號(hào)和梗

3.4.3. 奇男子克里斯-保羅

這位奇男子，如圖3-6，在傳奇的職業(yè)生涯里，積累了無(wú)數(shù)名號(hào)，如表3-6。如此之多的梗，足以體現(xiàn)廣大球迷對(duì)保羅的關(guān)注程度之高。

圖 3?6 克里斯-保羅（圖片來(lái)源https://www.zhihu.com/question/321529580）

表 3-6保羅的常見(jiàn)稱號(hào)

4. 數(shù)據(jù)處理系統(tǒng)的設(shè)計(jì)和開(kāi)發(fā)

知乎和虎撲都有點(diǎn)類似草榴社區(qū)的“技術(shù)討論區(qū)”，沒(méi)有干貨的人是混不開(kāi)的。接下來(lái)是方法和技術(shù)方面的干貨。

4.1. 任務(wù)需求分析

為了知道誰(shuí)是虎撲籃球熱度第一人，我需要一份虎撲數(shù)據(jù)，需要從數(shù)據(jù)中識(shí)別出命名實(shí)體并做簡(jiǎn)單的計(jì)數(shù)。為此，我需要3個(gè)工具：（1）一個(gè)用來(lái)獲取虎撲帖子數(shù)據(jù)的爬蟲(chóng)；（2）一個(gè)用于從文本中抽取人的名字的工具；（3）一個(gè)用來(lái)對(duì)人名進(jìn)行個(gè)數(shù)統(tǒng)計(jì)和可視化的工具。如圖2-1，是用于完成任務(wù)的系統(tǒng)結(jié)構(gòu)。

為了確保這個(gè)任務(wù)在可接受的時(shí)間內(nèi)結(jié)束，我需要估計(jì)一下各個(gè)環(huán)節(jié)的耗時(shí):

(1) 數(shù)據(jù)獲取大概需要10天。這段時(shí)間里我可以開(kāi)發(fā)調(diào)試命名實(shí)體識(shí)別環(huán)節(jié)和數(shù)據(jù)統(tǒng)計(jì)分析環(huán)節(jié)的代碼，并完成報(bào)告的大綱和部分內(nèi)容的撰寫。

(2) 之后，就需要盡快完成命名實(shí)體識(shí)別任務(wù)。數(shù)據(jù)是2019年3月11日21點(diǎn)41分開(kāi)始至XXXX的所有帖子，包括大約300萬(wàn)篇主貼加1.2億回帖(平均每個(gè)帖子里的回帖數(shù)量大約是40)，總共約1.23億條數(shù)據(jù)。假設(shè)每條數(shù)據(jù)的處理速度是50毫秒，就需要兩個(gè)月。這怎么行，都跨年了。必須想辦法提升任務(wù)的并行度，降低耗時(shí)。

(3) 剩下的就是一個(gè)頻率統(tǒng)計(jì)任務(wù)，也許3秒就夠了。

圖 4?1 數(shù)據(jù)處理系統(tǒng)結(jié)構(gòu)

4.2. 爬蟲(chóng)及獲取虎撲數(shù)據(jù)概況

4.2.1. 爬蟲(chóng)

我是個(gè)野生的爬蟲(chóng)選手，無(wú)力開(kāi)發(fā)一套高水平的爬蟲(chóng)，因此選擇依靠開(kāi)源框架。這里選擇的是python的爬蟲(chóng)類第三方庫(kù)中，最受歡迎的scrapy。

還在學(xué)校的時(shí)候，我花了超過(guò)一個(gè)月的時(shí)間開(kāi)發(fā)了一個(gè)用來(lái)下載虎撲數(shù)據(jù)的爬蟲(chóng)。后來(lái)又對(duì)爬蟲(chóng)做了幾次升級(jí)。然而2018年下半年，虎撲的頁(yè)面數(shù)據(jù)結(jié)構(gòu)發(fā)生了變動(dòng)，我需要對(duì)爬蟲(chóng)進(jìn)行大改。然而我是個(gè)打工仔，沒(méi)有那么多的時(shí)間搞這個(gè)，只能作罷。后來(lái)聽(tīng)同事軍偉大哥說(shuō)，他基于scrapy開(kāi)發(fā)爬蟲(chóng)可順手了，于是我也調(diào)研了一下。果然是真香——過(guò)年的時(shí)候，我一邊陪孩子玩，一邊從零開(kāi)始重寫，不到一個(gè)禮拜就完工了。當(dāng)然了，這里還需要感謝lxml這個(gè)庫(kù)，它通過(guò)支持xpath語(yǔ)法，極大地減少了我們解析html的工作量。

爬蟲(chóng)的結(jié)構(gòu)非常簡(jiǎn)單：獲取數(shù)據(jù)，然后存到mongo中。由于不清楚分享爬蟲(chóng)代碼算不算違法，代碼就不分享了。

獲取的數(shù)據(jù)包括兩部分:帖子的主貼和對(duì)應(yīng)的回帖。

4.2.2. 虎撲帖子文本數(shù)據(jù)基本情況

如表4-1，是爬蟲(chóng)獲取到的數(shù)據(jù)概況?？赡芑鋽?shù)據(jù)庫(kù)的content字段類型為varchar，最大長(zhǎng)度為19999，因此主貼和跟帖的最大長(zhǎng)度接近或等于這個(gè)數(shù)。

主貼字?jǐn)?shù)的中位數(shù)是66，說(shuō)明大家發(fā)帖的時(shí)候，還是比較勤快的，為了闡述自己的想法或者疑問(wèn)，愿意費(fèi)一點(diǎn)口舌。

跟帖的字?jǐn)?shù)中位數(shù)是19，說(shuō)明JRs喜歡一句話解決戰(zhàn)斗。據(jù)我目測(cè)，濕乎乎的網(wǎng)友說(shuō)話很少能到這個(gè)字?jǐn)?shù)。

表 4-1 數(shù)據(jù)獲取結(jié)果概況

4.3. 命名實(shí)體識(shí)別工具

4.3.1. 選擇一個(gè)合適的人名識(shí)別方法

文本中的人名識(shí)別，是命名實(shí)體識(shí)別任務(wù)的一種具體情形，可以使用NER的方法來(lái)實(shí)現(xiàn)。這是一個(gè)典型的計(jì)算密集型任務(wù)，最好使用Spark這樣 分布式框架來(lái)處理數(shù)據(jù)量較大的情況。不過(guò)呢，我的Hadoop集群已經(jīng)被自己弄壞了，恢復(fù)起來(lái)需要一段時(shí)間，修完也就跨年了。因此，這里使用了一個(gè)搭建

NER方案的制定過(guò)程說(shuō)來(lái)話長(zhǎng)，放在第5部分。

4.3.2. 用HTTP服務(wù)封裝NER模型

前面提到，NER環(huán)節(jié)的耗時(shí)會(huì)非常長(zhǎng)，需要想辦法提升并行度。由于模型加載到內(nèi)存里需要占大約500兆的內(nèi)存，24G內(nèi)存里最多放48個(gè)進(jìn)程，也就是最快24小時(shí)可以完成計(jì)算——不過(guò)CPU核心數(shù)只有8，進(jìn)程再多也沒(méi)用。因此，我這個(gè)估算是極度樂(lè)觀的，實(shí)際操作中的耗時(shí)肯定遠(yuǎn)遠(yuǎn)超過(guò)24小時(shí)，而且不可控。

為了保證任務(wù)耗時(shí)可控，我決定用一個(gè)簡(jiǎn)單的分布式架構(gòu)來(lái)處理這些數(shù)據(jù):在僅有的3臺(tái)機(jī)器上部署NER服務(wù)，然后并發(fā)地、以一個(gè)設(shè)計(jì)好的概率分布調(diào)用集群?，F(xiàn)在的資源是：24G+16G+8G=48G，8+12+24=44個(gè)CPU核心。這樣，一秒鐘可以處理約4500篇個(gè)文檔，一天就是”2億”，應(yīng)該是夠了。樂(lè)觀情況下，半天計(jì)算完畢。如果實(shí)際情況不樂(lè)觀，那就把家里的筆記本也加到集群里。分布式架構(gòu)的可擴(kuò)展性還是挺有幫助。

經(jīng)過(guò)仔細(xì)優(yōu)化的集群，實(shí)際用了8個(gè)小時(shí)就處理完全部數(shù)據(jù)。當(dāng)時(shí)我家室內(nèi)氣溫明顯上升。

5. 人名識(shí)別方案

用來(lái)識(shí)別文本中的人名方法非常多，可以參考

統(tǒng)計(jì)人名頻數(shù)任務(wù)看起來(lái)是最簡(jiǎn)單的任務(wù)，實(shí)際上是我花時(shí)間最多的一個(gè)環(huán)節(jié)。

我需要回答一個(gè)問(wèn)題:如何判斷文本中的一個(gè)字符串是否為人名。我的“答案”經(jīng)過(guò)多次修改，終于成熟了。

當(dāng)然，“真理”是值得追求的。在這個(gè)任務(wù)中，我只能在成本允許的情況下盡量接近他啦。

5.1. 初步的人名統(tǒng)計(jì)方法

一開(kāi)始的時(shí)候，我選擇的是一個(gè)基于神經(jīng)網(wǎng)路的NER模型。使用神經(jīng)網(wǎng)絡(luò)的原因主要是兩個(gè):首先是我已經(jīng)有一個(gè)成熟的NER模型了；其次，神經(jīng)網(wǎng)絡(luò)高級(jí)啊，說(shuō)起來(lái)倍兒有面子。

這個(gè)模型是阿帕比技術(shù)公司自己開(kāi)發(fā)NLP工具集中的一個(gè)模塊，如果想體驗(yàn)這個(gè)模型，可以到這里看一下：

。這個(gè)模型對(duì)中文人名、音譯人名的識(shí)別能力非常強(qiáng)，F(xiàn)1-score超過(guò)了0.9。由于訓(xùn)練語(yǔ)料里沒(méi)有外文人名，我的模型無(wú)法識(shí)別“Yao Ming”這樣的外文人名。這里選擇忽略所有沒(méi)有以中文表達(dá)的人名。這樣做的損失是比較小的——虎撲里活躍的絕大部分人是中國(guó)人，極少使用外文來(lái)稱呼一個(gè)人，比如我們很少稱呼邁克爾-喬丹為“Jordan”(一般是喬丹、幫主、籃球之神、GOAT等)。

我用一份比較小的數(shù)據(jù)進(jìn)行了人名統(tǒng)計(jì)。在看統(tǒng)計(jì)結(jié)果的時(shí)候，我發(fā)現(xiàn)機(jī)器找出來(lái)的人名中，絕大部分不是籃球運(yùn)動(dòng)員——難不成還要把這幾百個(gè)人的頻數(shù)挑出來(lái)？

這樣做的成本有點(diǎn)高，而且萬(wàn)一數(shù)據(jù)處理流程有Bug、需要重新計(jì)算一遍，成本會(huì)更高。另外，基于神經(jīng)網(wǎng)絡(luò)的模型計(jì)算效率太低了，處理完整的數(shù)據(jù)集需要十幾天。成本要爆炸了，不可行。

我得仔細(xì)琢磨一下這個(gè)場(chǎng)景，看看還有沒(méi)有更好的選擇。

5.2. 更好一點(diǎn)的統(tǒng)計(jì)方法

實(shí)際上，這個(gè)任務(wù)是一個(gè)典型的詞語(yǔ)集合受控的場(chǎng)景:我只需要統(tǒng)計(jì)籃球運(yùn)動(dòng)員的名字，其他的可以采取類似多諾萬(wàn)教練的態(tài)度(可參考“我跟他不熟”)。這種場(chǎng)景非常適合使用基于詞典的NER方法。

這樣的話，我這個(gè)方案就簡(jiǎn)單了，需要解決兩個(gè)問(wèn)題:(1)人名詞庫(kù)的設(shè)計(jì)和建設(shè);(2)找到文本與人名詞庫(kù)的匹配方法。

5.2.1. 籃球人物姓名數(shù)據(jù)庫(kù)設(shè)計(jì)和構(gòu)建

籃球運(yùn)動(dòng)員的個(gè)人資料非常好找：

CBA運(yùn)動(dòng)員信息的數(shù)據(jù)源為

NBA運(yùn)動(dòng)員信息的數(shù)據(jù)源是

如圖5-1，是虎撲網(wǎng)的球隊(duì)信息中，球員部分。對(duì)中國(guó)球員，所有球員的姓名全稱(比如“易建聯(lián)”)收錄到詞庫(kù)中，其中一部分我個(gè)人比較熟悉的球員配備了別稱(比如“阿聯(lián)”、“太空易”)。對(duì)外國(guó)球員，所有球員的姓名全稱(例如”索尼-威姆斯”，“索尼威姆斯”)收錄到詞庫(kù)，部分稀少、或不存在歧義的姓（比如“詹姆斯”通常指勒布朗-詹姆斯）作為對(duì)應(yīng)球員的別稱收錄到詞典，部分我個(gè)人比較熟悉的球員配備了盡量齊全的別稱。

這個(gè)詞典里實(shí)際上存在幾種偏見(jiàn):

(1) 首先，類似勒布朗-詹姆斯獨(dú)占“詹姆斯”這個(gè)姓氏作為別稱的做法，是對(duì)其他小眾、姓氏同為“詹姆斯”的球員的不公平。這樣做會(huì)把這些小眾球員的一點(diǎn)數(shù)據(jù)轉(zhuǎn)移到勒布朗-詹姆斯的身上，導(dǎo)致一種強(qiáng)者更強(qiáng)的結(jié)果。

(2) 我個(gè)人越熟悉的球員，具有越詳盡的別稱，可以以更高的查全率統(tǒng)計(jì)得到更精準(zhǔn)的熱度。其他球員的熱度則或多或少地被低估了。

(3) 由于我個(gè)人的喜好，一些別稱沒(méi)有被收錄到詞庫(kù)中，導(dǎo)致相關(guān)球員的熱度值被低估了。黑粉也是粉嘛，帶來(lái)的也是流量。

圖 5?1 虎撲的CBA球員信息

這兩份數(shù)據(jù)已經(jīng)整理為結(jié)構(gòu)化數(shù)據(jù)，存儲(chǔ)在excel文件中:

人名庫(kù)構(gòu)建的主要工作是球員別稱的收集整理。在任務(wù)的過(guò)程中，首先基于領(lǐng)域知識(shí)，即對(duì)籃球運(yùn)動(dòng)員的了解，構(gòu)建了人名數(shù)據(jù)庫(kù)的字段，并添加了一部分別稱；其次，基于那個(gè)用神經(jīng)網(wǎng)絡(luò)做的NER模型，找了一大堆人名，然后從中找了一些別稱；另外，我又從論壇、搜索引擎里收集了一部分別稱。

5.2.2. 人名匹配方法

按照直覺(jué)，我們可以使用子字符串匹配算法來(lái)統(tǒng)計(jì)人名，這樣做起來(lái)簡(jiǎn)單。

不過(guò)呢，這樣做會(huì)遇到嚴(yán)重的歧義問(wèn)題。比方說(shuō)，“我想叫姚明天過(guò)來(lái)給大家展示一下投籃”這句話中，“姚”這個(gè)字指的是姚明，“明天”是一個(gè)時(shí)間。如果使用自字符串匹配，我們就稀里糊涂的把“明天”拆開(kāi)了。這個(gè)例子里只是碰巧對(duì)了。如何避免歧義的干擾呢？

我選擇使用分詞的方式，基于語(yǔ)言模型將文本切分為一個(gè)個(gè)小單元，然后與人名詞庫(kù)比對(duì)、找人名。語(yǔ)言模型可以基于對(duì)語(yǔ)法、語(yǔ)義的了解，把類似“姚明天”這樣的字詞精準(zhǔn)切分開(kāi)。這里使用了一個(gè)基于最短路徑求解的馬爾科夫模型分詞工具(也是阿帕比技術(shù)公司的)。算法原理可以參考

6. 結(jié)束語(yǔ)

至此，這個(gè)由好奇心驅(qū)動(dòng)的項(xiàng)目就告一段落。

馬上就要過(guò)春節(jié)了，這里提前送上對(duì)所有人的祝福，如圖6-1。

圖 6?1 鼠年的祝福!

注意：本文為李鵬宇(知乎個(gè)人主頁(yè)https://www.zhihu.com/people/py-li-34)原創(chuàng)作品，受到著作權(quán)相關(guān)法規(guī)的保護(hù)。如需引用、轉(zhuǎn)載，請(qǐng)注明來(lái)源信息：（1）作者名，即“李鵬宇”；（2）原始網(wǎng)頁(yè)鏈接，即當(dāng)前頁(yè)面地址。如有疑問(wèn)，可發(fā)郵件至我的郵箱:lipengyuer@126.com。