奇幻《权力的游戏》和《Polari》的多样性NLP指标

奇幻小说词汇多样性的定量NLP分析

使用NLP工具比较首部小说A Game of Thrones（IP，G.R.R. Martin，1996）和Arrow, Coin, Spark（SMI，R. Surzhikov，2016），揭示了词汇多样性的差异。IP包含240,796个词，SMI为277,389个。平均句子长度：IP为9.6个词，SMI为8.5个。考察的指标包括MATTR、MTLD、HD-D以及作者的KUL，用于客观评估风格。

主要文本参数

| 参数 | IP | SMI | 备注 |

|----------|----|-----|------|

| 页数 | ~933 | ~1089 | 正式 |

| 句子数 | 24,998 | 32,448 (+30%) | - |

| 词数 | 240,796 | 277,389 (+15%) | - |

| DET（情感语气） | 3.5% | 10.5% (+200%) | !/?组合 |

| KUL | 13.50% | 16.72% (+24%) | 每50K词 |

| MATTR | 70.58% | 72.16% | 局部多样性 |

| HD-D | 91.93% | 92.97% | 全局多样性 |

| IUFO | 63.6 | 63.5 | Flash-Oborenva |

| 对话 | 37.6% | 35.6% | - |

KUL衡量独特引理的累积性：使用多个随机样本计算独特形式与50K词的比例。准确率约99.5%，独立于文本长度。MATTR关注窗口内的局部多样性，HD-D关注全局类型密度。

• KUL的优势：平滑非线性，适合50K词以上的文本。
• MATTR：对短重复序列敏感。
• HD-D：考虑所有类型，但在大型语料中易高估。
• Hapax指数：IP在中段下降，SMI在末段下降。

KUL计算算法

KUL =（N个50K词样本的平均独特引理数）/ 50,000 × 100%。

• 对文本进行词形还原（使用pymorphy2或类似工具）。
• 随机选取M次50K词形式（M=1000以确保准确性）。
• 对每个样本，统计独特引理数。
• 取平均值并归一化。

这反映了“活跃词汇”——作者引入新引理而不枯竭的能力。

情感语气和风格比较

情感语气（DET）占比：带有！、!!、?!等的句子百分比（排除纯？）。SMI以10.5%领先，IP为3.5%。与经典作品比较：

• 托尔斯泰War and Peace：约5.2%。
• 陀思妥耶夫斯基Crime and Punishment：约18.2%。

长句在标点符号上匹配：两者均为456个。IP示例：部队先锋描述。SMI：礼仪指导。

字母分布稳定：‘o’约10-11%，‘e’/‘a’约8%。「Yo」极少。未满足齐普夫定律（IP的a=-1.358，SMI为-1.296）。

深度与主题

叙事深度：3.87（IP）vs. 3.72（SMI）。通过n-gram分析主题：两者均为贵族。顶级名字：Jon/Ned/Tyrion vs. Erwin/Mira/Harmon。回文：63 vs. 83（+31%）。SMI有155个历史事件，IP无时间线。

身体叙事在IP中更强（+37%）。叠句：‘seventh hell’ vs. ‘darkness (devour)’。

关键点

• KUL显示Surzhikov的引理储备更大（16.72% vs. 13.50%），尽管两位作者经验差异。
• MATTR/HD-D非常接近（72% vs. 70%，93% vs. 92%），这些指标互补。
• SMI的情感强度高3倍，影响动态感知。
• IUFO相同（约63.5），可读性处于中学水平。
• 独词显示疲劳迹象：IP在中段，SMI在末段。

NLP中的实际应用

对于散文分析，结合多项指标：KUL评估全局储备，MATTR评估局部新鲜度。使用NLTK/spaCy的Python脚本进行词形还原。在50K词以上文本上测试以确保稳定性。奇幻作品差异突出：Surzhikov的首部作品（29岁，2个奖项）在多样性上与Martin（48岁，5个奖项）竞争。

— Editorial Team