用NLP技术分析了一位出名却也具有争议的嘻哈歌手——Drake创作的歌词

【导读】如何评定一首歌的歌词的创造性？有些歌词是否真的套词或假借他人之手？本文作者就尝试用 NLP 技术分析了一位出名却也具有争议的嘻哈歌手 —— Drake 创作的歌词，来看看他的歌词中到底蕴藏着什么秘密。

背景

每隔几年就会有一位艺术家风靡世界。甲壳虫乐队和迈克尔杰克逊的盛名不必多说。 这些艺术家用他们天才般的创造力感染着数百万人。现在，许多艺人争相想成为  Top 1。有些出乎意料的是，一位多伦多本地，艺名叫“Drake”的艺人，近年来声势颇盛。

Drake最初声名鹊起的原因他参演了一部在21世纪初流行的青少年情景喜剧《德格拉西：下一代》中的角色。然而，当 Drake 想成为一名说唱歌手时，他便退出了演出。在与唱片公司签约后，Drake 发行了他的第一张专辑《So Far Gone》。这张专辑获得了 Platinum 认证，并让Drake迅速登顶了嘻哈世界的顶峰。在接下来的八年里，他又连续出了多张专辑，其中专辑Scorpion 是他最近发行的新专辑。

为什么 Drake 的作品很受欢迎？这里面可能包含很多原因。然而，我选择从他歌曲的歌词方分析入手。获取 Drake 歌曲的歌词文本数据并不困难，难的是，如何分析它们？这就要感谢如今日益提升的 NLP（自然语言处理）技术，使分析文本数据比以往容易很多。

今天，神经网络已经成为无数 NLP 算法的通用框架，有各种各样的工具可供使用，因此开发者可以使用它们解决大量的 NLP 问题。这些工具让我可以分析 Drake 的歌词。

在进入实际分析之前，我需要先处理一下 Drake 的歌词。虽然有几个在线的歌词资源可用，但我决定使用 Genius.com。Genius 是一个注释歌词的网站，并且有一个很棒并易于使用的API。

Drake 的哪一首歌有最独特的歌词？

大家似乎对 Drake 的创造力并不买账，经常批评他缺乏创造力。过去，他常被指控窃取其他说唱歌手的 flow 并且拥有幕后的作词者。我打算去看看这些评论是否合理。

我从其他文章中提到的处理方法获得灵感。不分析歌词的总字数，在我看来一首歌的歌词总字数并不能作为衡量创造性的主参考，我改为分析歌词中的独特词。

在完成清理文本数据后，我开始分析每首歌曲中独特歌词的数量。下面是 Drake 所有歌曲中独特歌词分布的直方图。似乎他的大多数歌曲都有 100 到 200 个独特词。但是没有其他艺术家歌曲的分布作参考，这个直方图目前并不能说明 Drake 的创造力。

一个更好的方法是根据专辑的独特词来看他的创造力。下图是在 Tableau 中完成的可视化结果。x 轴表示专辑的名称，y轴表示独特词的数量。每个Bubble（气泡）代表一首歌。就独特的歌词而言，似乎没有任何一张专辑显得更具创意。但是，每件作品在独特歌词数量方面至少有一个异常值。令人吃惊的是，尽管有如此庞大的作品数量（25首歌曲），他最近发行的专辑 Scorpion 上的歌曲在独特歌词的数量上几乎没有变化。

现在，再回答上面的问题，哪首歌具有最独特的歌词？答案似乎是 6PM in New York。 下表列出了排名前十的歌曲。

命名实体识别（NER）

命名实体识别属于“信息提取”的子任务，旨在将文本中的命名实体定位和分类为预定义的类别，例如人员，组织，地点，时间表，数量，货币价值，百分比等等。”（维基百科）。 NER是一项特别棘手的任务。由于语言的复杂性，使得创建一个对所有文本都准确的 NER 算法非常困难。某个算法或许可以在一个语料库（在我们的例子中就是 Drake 歌词的集合）上效果很好，但是在另一个语料库上表现就不好。这种不一致性使得有必要多尝试几种 NER 算法。我也尝试了集中不同的算法，发现有些算法并不是非常不准确。下面简要介绍一下我使用的两个 NER 算法：NLTK 和 CRF-NER。

第一个是 NLTK 提供的命名实体算法。“Ne_chunk”使用了部分语音标签（POS标签）的单词列表来推断哪些单词是命名实体。从下面的结果中可以看出，NLTK的算法本身并没有做得很好。

我尝试的第二个命名实体算法是由斯坦福提出的令人印象深刻的 NER 工具 —— CRF-NER。

与NLTK算法相比，它需要更长的运行时间，但会产生更准确的结果。虽然它并不完美，但有明显的进步。

主题建模

NLP中最有趣的方向之一就是主题建模了。主题模型是一种统计模型，用于发现在文档集合中的抽象主题。它是一种常用的文本挖掘工具，用于在文本中发现隐藏的语义结构”。主题建模有几种突出的算法。其中最突出的是显式语义分析和非负矩阵分解。在这次的分析中我选择用线性判别分析（LDA）。LDA是由 Andrew Ng，Michael I. Jordan和David Blei 开发的一种生成统计模型。首先通过学习给定语料库中固定数量的主题表示，然后在给定的主题数量的情况下，LDA将学习语料库中每个文档的主题分布。

▌1.给所有Drake的歌词进行主题建模

想要使用 LDA 的第一件事就是学习 Drake 所有歌曲中最突出的主题。为了实现这一点，我先将所有歌曲放入列表中。然后，使用 SciKitLearn 的 CountVectorizer 工具，创建了所有这些歌曲的词袋表示。词袋模型是一种通过矩阵表示单词的简单方法。 然后，使用SciKitLearn 版本的LDA，我训练了一个可以在给定文本中找到8个主题的模型。

▌2.可视化主题

有两种将 LDA 模型进行可视化的方法。第一个是通过写一个函数，输出为每个主题中最突出的单词。这个结果似乎很有意思，但它只能提供了少量的信息。例如下图中的结果，能知道主题7与主题2不同，但无法得知更多它们之间不同程度的信息。

出于这个原因，我用了另一种可以在文本中显示主题的方法。

在Python中，有一个很棒的库叫做 pyLDAvis。它是一个专门使用 D3 来实现 LDA 模型可视化的库。D3可以说是目前最好的可视化工具。（但是，它主要为 Javascript 用户准备的。因此拥有此插件但对JavaScript 不太了解的人非常有用。）这个库通过降维来实现可视化。 降维将有许多变量的数据集压缩为较少量的特征。降维技术对于数据可视化非常有用。基于我要解决的问题，我认为最好使用T-SNE（T分布的随机邻域嵌入）来降低维数。

从我训练好的模型来看，Drake的大部分歌词都可以分类到了 Topic 2，一个占据图表大部分的大型主题。

▌Drake 所有主要专辑的主题又是什么样的呢？

我按照与之前相同的步骤来尝试处理这个问题，这次我没有用 LDA 算法去找每个专辑间的主题。 而是使用了定义函数的方法来显示他所有主要作品中最突出的单词。

总结

每当 Drake 发布新歌或专辑时，肯定会有不满的声音。但他的作品几乎总是在人气榜上排名靠前的位置。他的歌词瞬间也成为 Instagram 和 Facebook 话题的主要内容，还会霸占数星期。他的歌让人很容易记住，大部分原因要归功于他的歌词。

通过主题建模和命名实体识别完成了一个简单的 NLP 项目，也对文本内容（Drake的歌词）有了不同且更具体的理解。这只是一个起点，也建议大家在工作和生活中进行一些实践，不断尝试，积累技能。