【学习】计算机告诉你，唐朝诗人之间的关系到底是什么样的？

在我还念中学的时候，每当心情不好，就靠读诗词来排遣，慢慢读得多了，就发现唐朝诗人之间存在着微妙的关系。比如杜甫非常喜欢李白，到了做梦都想见李白的地步：三夜频梦君，情亲见君意（梦李白）。而李白向孟浩然表过白：吾爱孟夫子，风流天下闻（赠孟浩然）。孟浩然的好基友则是王昌龄：数年同笔砚，兹夕间衾裯（送王昌龄之岭南）。

出于好奇心，我一度想理清楚他们之间的关系。但是全唐诗一共四万多首，再加上诗人之间经常称呼对方的别称，整理起来非常麻烦，慢慢的也就绝了这个念头。

直到前不久在网上看到了这张非常火的图，又让我想起来这段十五年前的心事。事不宜迟，拖了这么多年的愿望，不能再拖了。

这次，我将编程完成这件事。前面已经说过，这件事主要的麻烦在于以下两点：

• 全唐诗数量太多，一共四万多首。

• 诗人的别称太多，比如杜甫：按字称为子美，按排行称为杜二，按官职称为杜工部。

至于第一点，我们现在用计算机来做，再多也无所谓。第二点则稍微费事一点，我们使用哈佛大学编纂的《中国历代人物专辑资料库》（China Biographical Database Project 以下简称CBDB），CBDB记录了中国历代名人的传记资料，并保存在关系型数据库中。

1 利用CBDB查找诗人的别名

CBDB由很多张表组成，每张表记录了人物的不同信息，我们只用到了其中两张表，人物的主要信息表：BIOG_MAIN和人物的别名表：ALTNAME_DATA
首先从BIOG_MAIN中查询出人物编号c_personid，接着用c_personid从ALTNAME_DATA中查询出别名，如下图所示：
下面我给大家演示一下如何从CBDB中查询杜甫的别称。

图中能够看到杜甫有三个别称：子美、杜二、杜工部。

当然也有很多重名的现象，比如我们查询王維。

会找出一堆叫王维的，这个时候，我们就要使用生卒年来判定：这个人物到底是不是唐朝的。这次要从数据库中查询人物的生卒年。

唐朝建立于618年，灭亡于907年。对比后立刻发现，第二个王维才是我们要找的诗人王维。
查询别名核实一下：

看到了熟悉的王右丞和摩诘，没错，这正是王维同学。

由于CBDB收罗的历史人物太多，重名现象非常严重。经过一番探索，最终设置了如下的排除重名策略：

1.如果人物生卒年俱全，那么只要生卒区间和唐朝持续时间有交集即可。如果存在这样的诗人，那么直接把这个人作为全唐诗中的作者。
2.如果人物只有生年或者卒年，那么生年或卒年必须在唐朝的持续时间内。将这样的人加入候选人列表。
3.如果人物生卒年都不详，那么舍弃之。

经过这三条判断之后：
如果候选人列表为空，那么说明CBDB中没有目标人选，舍弃这位诗人。
如果候选人多于一个，则说明排除重名失败，舍弃这位诗人。

这种策略并不完美，存在部分注明诗人被舍弃的情况。为此我手动添加了他们：

还有部分诗人的别称比较尴尬，属于唐诗中的常用词，需要手动去除。如下：

经过这一番筛选，全唐诗中原本的2609位作者，只剩下了762位。这就够了，著名的诗人都在这个列表当中，接下来我们只关心这762位诗人之间的关系。

原文链接：

http://mp.weixin.qq.com/s/2Xcz5W5E1qt-zZ2FdFT9Mg