简单NLP分析套路（3）---- 可视化展现初步

原创 已于 2023-04-11 11:42:17 修改 · 5.9k 阅读 · 16 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自然语言处理 #NLP #可视化

于 2018-12-09 01:44:34 首次发布

文章大纲

在这里插入图片描述

构思这个系列的初衷是很明显的，之前我是从图论起家搞起了计算机视觉，后来发现深度学习下的计算机视觉没的搞了，后来正好单位的语料很丰富就尝试了NLP 的一些东西，早期非常痴迷于分词等等的技术，后来发现NLP 里面是有广阔天地的。

如果你现在打开微信，可能很多公众号都在推送从哪里爬取了一些语料数据如下图，
在这里插入图片描述
在这里插入图片描述
原文链接：透过评论看Runningman

比如豆瓣电影的评论，对某某最新上映的电影做了如下一些分析，看起来花花绿绿很是高端，当然我们也能做，而且要做的更高端一些!!!

NLP 可视化

NLP 可视化有多种实现方案，包括我们熟知的词云就非常直观。当然还有主题模型，句子依存分析，知识图谱等等展现手段,下面我们分别就一些经典可视化手段进行介绍。

wordCloud

# encoding: utf-8
'''
@author: season
@contact: shiter@live.cn

@file: wordCloud.py
@time: 2018/11/6 22:38
@desc:
'''


import matplotlib.pyplot as plt
from wordcloud import WordCloud
import jieba
import jieba.analyse
import pandas

import os


def file_name(file_dir,extension):
    L = []
    for root, dirs, files in os.walk(file_dir):
        for file in files:
            if os.path.splitext(file)[1] == extension:
                L.append(os.path.join(root, file))
    return L

file_list = file_name('blog/','.txt')

print(file_list)

def get_all_strFromTxt(file_name):
    str_blog = ''
    with open(file_name,'r',encoding='utf-8') as f:
        str_blog = f.read()
    return str_blog


# file_path = u'''0.csv'''
# col_names = ["index","1","2"]
# data = pandas.read_csv(file_path, names=col_names, header = 0,engine='python', dtype=str,encoding='utf-8')
# # 返回前n行
# # 返回前n行
# first_rows = data.head(n=2)
# print(first_rows)
#
# data.info()
#
#
#

top_word_dict = {}

def getTopkeyWordsTFIDF(stop_word_file_path,topK=100,content = ''):
    try:
        jieba.analyse.set_stop_words(stop_word_file_path)
        tags = jieba.analyse.extract_tags(content, topK, withWeight=True,allowPOS=('ns', 'n', 'vn', 'v'))
        for v, n in tags:
            print (v + '\t' + str((n )))
            top_word_dict[v] = n*100
    except Exception as e:
        print(e)
    finally:
        pass

def getTopkeyWordsTextRank(stop_word_file_path,topK=100,content = ''):
    try:
        jieba.analyse.set_stop_words(stop_word_file_path)
        tags = jieba.analyse.textrank(content, topK, withWeight=True)
        for v, n in tags:
            print (v + '\t' + str(int(n )))
    except Exception as e:
        print(e)
    finally:
        pass

str_summary = ''
#
# for i in range(0, len(data)):
#     #print(data.iloc[i]['line_remark'])
#     str_summary = str_summary+data.iloc[i]['line_remark']
#

for i in file_list:
    str_summary = str_summary + get_all_strFromTxt(i)

text_from_file_with_apath = str_summary


getTopkeyWordsTFIDF('stop_words.txt',150,text_from_file_with_apath)


stop_words = [' ','挂号']

# 可以指定字体，或者按照词频生成
def show_WordCloud(str_all):
    wordlist_after_jieba = jieba.cut(str_all, cut_all=True)
    wl_space_split = " ".join(wordlist_after_jieba)
    my_wordcloud = WordCloud(background_color = "white",width = 1000,height = 860,font_path = "msyh.ttc",
                # 不加这一句显示口字形乱码
                margin = 2,
    max_words=150, # 设置最大现实的字数
    stopwords=stop_words,# 设置停用词
    max_font_size=250,# 设置字体最大值
    random_state=50# 设置有多少种随机生成状态，即有多少种配色方案

    )
    #my_wordcloud = my_wordcloud.generate(wl_space_split)
    my_wordcloud = my_wordcloud.generate_from_frequencies(top_word_dict)

    plt.imshow(my_wordcloud)
    plt.axis("off")
    plt.show()

show_WordCloud(text_from_file_with_apath)

词云结果：(值得一提的是我们可以分别用TFIDF 或者TEXTRANK 算法提取关键词)

在这里插入图片描述
本人博客关键词 TF-IDF

算法	0.08393536068790623
图像	0.06798005803851344
数据	0.05240655130424626
文档	0.05059459998147416
博主	0.05050301638484851
使用	0.04356879903615233
函数	0.042060415733978916
查询	0.04005136456931241
匹配	0.037386342706479996
代码	0.03603846563455227
方法	0.034559914773027035
节点	0.033931860083514016
特征	0.03291738415318488
进行	0.031490540413372146
排序	0.029646884115013712
计算	0.029533756683699914
需要	0.029447451266380476
线程	0.02876913122420475
像素	0.028464105792597654
模型	0.027687724999548125
文件	0.027195920887218235
字段	0.026565494216139303
结果	0.025830152697758277
视差	0.024437895533599558
信息	0.02390653201451686
分片	0.02315742689824399
文章	0.02157718425850839
处理	0.02109550803266701
学习	0.021005721546578465
定义	0.02056261379145052
实现	0.02039579088457056
参数	0.02036164789518406
问题	0.020284272744458855
用户	0.019859257580053805
返回	0.019832118152486682
分词	0.019801132262955684
创建	0.019597880527283076
系统	0.019390564734465893
版权	0.018984989081581773
时候	0.018884022674800702
转载	0.01866584359633088
检测	0.018436606839486752
包含	0.017926737352527033
矩阵	0.017271551959541505
安装	0.0171156281612187
数据库	0.016960979586574783

LDA 主题模型

LDA 据说非常复杂，我看了半天好像也没有太懂
不过有代码可以跑，这一点是很好的。 用我的所有博客跑出来的5个主题如下:

Topic #0:
我们 自己 如果 时候 就是 没有 数据 问题 进行 排序 选择 需要 函数 什么 学习 x2 工作 知道 这样 时间
Topic #1:
const char value doc xml node element file error bool void text str project true print code size buf false
Topic #2:
cv image include mat width size img height double lib void data opencv 图像 null std char src float max
Topic #3:
算法 数据 使用 特征 进行 方法 匹配 模型 www 文档 查询 图像 需要 信息 通过 系统 结果 所有 基于 com
Topic #4:
string self left cout include right def array result root push vector class endl void null sum size char end

在这里插入图片描述

具体代码详见：NLP 学习仓库

matplotlib seaborn 绘图加载中文字体

如果系统，及matplotlib 本身有中文字体
可以在代码中使用

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['Microsoft YaHei']

如果没有，那么windows 系统需要下载字体，linux 系统需要安装字体。

CentOS 安装中文字体

下载ttf 格式字体，如 黑体, msyh.ttf

使用如下脚本安装：

cd /usr/share/fonts/yourfontsdir
#生成字体索引信息. 会显示字体的font-family
sudo mkfontscale
sudo mkfontdir
#更新字体缓存：
fc-cache

查看matplotlib 字体目录

import matplotlib
matplotlib.matplotlib_fname()

输出：

'/home/hadoop/anaconda/envs/playground_py36/lib/python3.6/site-packages/matplotlib/mpl-data/matplotlibrc'

查看系统可用的中英文字体

  • centos linux 下查看中文字体
fc-list  :lang=zh

输出

Microsoft YaHei,微软雅黑:style=Regular,Normal,obyčejné,Standard,Κανονικά,Normaali,Normál,Normale,Standaard,Normalny,Обычный,Normálne,Navadno,Arrunta
Microsoft YaHei UI:style=Regular,Normal,obyčejné,Standard,Κανονικά,Normaali,Normál,Normale,Standaard,Normalny,Обычный,Normálne,Navadno,Arrunta
  • matplotlib 可用字体
from matplotlib.font_manager import FontManager
import subprocess
 
mpl_fonts = set(f.name for f in FontManager().ttflist)
 
print ('all font list get from matplotlib.font_manager:')
for f in sorted(mpl_fonts):
    print('\t' + f)
    
# 仅在Linux下能够正常运行
output = subprocess.check_output('fc-list :lang=zh -f "%{family}\n"', shell=True, encoding="utf8")
 
zh_fonts = set(f.split(',',1)[0] for f in output.split('\n'))
 
print('\n' +'Chinese font list get from fc-list:')
for f in sorted(zh_fonts):
    print('\t' + f)
 
print('\n' +'the fonts we can use:')
available = set(mpl_fonts) & set(zh_fonts)
for f in available:
    print('\t' + f)

输出：

all font list get from matplotlib.font_manager:
	DejaVu Sans
	DejaVu Sans Display
	DejaVu Sans Mono
	DejaVu Serif
	DejaVu Serif Display
	Microsoft YaHei
	STIXGeneral
	STIXNonUnicode
	STIXSizeFiveSym
	STIXSizeFourSym
	STIXSizeOneSym
	STIXSizeThreeSym
	STIXSizeTwoSym
	cmb10
	cmex10
	cmmi10
	cmr10
	cmss10
	cmsy10
	cmtt10

Chinese font list get from fc-list:
	
	Microsoft YaHei
	Microsoft YaHei UI

the fonts we can use:
	Microsoft YaHei

matplotlib 设置中文字体

效果图：
在这里插入图片描述
matplotlit可以采用设置字体的办法

%load_ext autoreload
%autoreload 2
%matplotlib inline

# ...
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r"msyh.ttc", size=14)  

plt.bar([1, 3, 5, 7, 9], [5, 4, 8, 12, 7], label='graph 1')

plt.bar([2, 4, 6, 8, 10], [4, 6, 8, 13, 15], label='graph 2')

# params

# x: 条形图x轴
# y：条形图的高度
# width：条形图的宽度 默认是0.8
# bottom：条形底部的y坐标值 默认是0
# align：center / edge 条形图是否以x轴坐标为中心点或者是以x轴坐标为边缘

plt.legend()

plt.xlabel(u'中文',FontProperties=font)
plt.ylabel('value')

plt.title(u'测试例子——条形图', FontProperties=font)

plt.show()

seaborn设置中文字体

（以 matplotlib 为基础的库的可视化库的中文显示问题，都可以这么设置）

seaborn就麻烦一点，先把matplotlib调试好，才有修改配置文件，并下载相关字体的办法进行配置

配置方法：

  • 1.下载字体SimHei，放在matplotlib文件夹中
    在这里插入图片描述

  • 2.修改配置文件，在matplotlib/mpl-data/目录下面matplotlibrc ，修改下面三项配置

    font.family : sans-serif
    font.sans-serif : SimHei, Bitstream Vera Sans, Lucida Grande, Verdana, Geneva, Lucid, Arial, Helvetica, Avant Garde, sans-serif
    axes.unicode_minus:False，#作用就是解决负号’-'显示为方块的问题

  • 3.命令行重新载入字体

from matplotlib.font_manager import _rebuild

_rebuild() #reload一下

上述内容 参考链接：

https://www.zhihu.com/question/25404709/answer/309784195

那么设置完成matplotlib 后，seaborn 等依赖库，只要配置好如下对应代码即可

#首先运行下面两行
import pandas as pd
from matplotlib.font_manager import _rebuild
_rebuild() 
########### 测试代码
import matplotlib.pyplot as plt
import seaborn as sns



data = {
        '性别':['男','女','女','男','男'],
        '姓名':['小明','小红','小芳','大黑','张三'],
        '年龄':[20,21,25,24,29]}

test_pdf = pd.DataFrame(data,index=['one','two','three','four','five'],
               columns=['姓名','性别','年龄','职业'])




sns.set_style('whitegrid',{'font.sans-serif':['SimHei','Arial']})
sns.set_context("talk")

%matplotlib inline


sns.boxplot( y='年龄', data=test_pdf, palette="Set3")
plt.show()

其实核心就是这一句：设置字体

sns.set_style('whitegrid',{'font.sans-serif':['SimHei','Arial']})

效果：

在这里插入图片描述

参考： 天池整体可视化教程

其他解决 matplotlib 中文显示的思路

安装包：

#安装开源库pyplotz

pip install pyplotz



from pyplotz.pyplotz import PyplotZ
from pyplotz.pyplotz import plt
pltz=PyplotZ()
pltz.enable_chinese()

上述方案和这个方案都有一个最大的问题，就是pandas直接调用的时候还是出问题，现在还没有找到参数传递的口子。 猜想在pandas 中还有配置文件的目录，这个目录的配置文件优先级高于matplotlib的自带配置文件，有待进一步验证。

NLP系列文章

从零开始学自然语言处理-十万字长文带你深入学习自然语言处理全流程
wenyusuran的专栏
09-12 3689
前言 内容会涉及自然语言处理的各个方面知识内容和具体操作：包括但不仅限于词法分析，句法分析，语义分析，文本聚类，文本分类，情感分析，文本摘要生成，主题模型，词嵌入，文本语义相似度，自然语言推理，机器翻译，语言模型，信息抽取，关系预测，对话，指代消解等等。 针对中文的自然语言处理，我们需要先将段落和句子切分为词语，这是最基础的一步操作，分词属于词法分析的基础部分。 以下是我为大家准备的几个精品专栏，喜欢的小伙伴可自行订阅，你的支持就是我不断更新的动力哟！ MATLAB-30天带你从入门到精通 MAT
MATLAB算法实战应用案例精讲-【自然语言处理】语义分割模型-DeepLabV3
qq_36130719的博客
08-29 846
作者发现Deep Convolutional Neural Networks (DCNNs) 能够很好的处理的图像级别的分类问题，因为它具有很好的平移不变性（空间细节信息已高度抽象），但是DCNNs很难处理像素级别的分类问题，例如姿态估计和语义分割，它们需要准确的位置信息。将深度神经网络DCNN与全连接CRF结合起来，提高图像分割的分割精度。提出空洞卷积的思想。应用尝试了多尺度、多层次的信息融合。DCNN应用在语义分割任务上存在两个缺陷：重复堆叠的池化和下采样。
NLP学习笔记-循环神经网络RNN、情感分类、LSTM（二）
码python的Vinsmoke
09-09 4102
循环神经网络和自然语言处理介绍 1. 文本的tokenization 1.1 概念和工具的介绍 tokenization就是通常所说的分词，分出的每一个词语我们把它称为token。 常见的分词工具很多，比如： jieba分词：https://github.com/fxsjy/jieba 清华大学的分词工具THULAC：https://github.com/thunlp/THULAC-Python 1.2 中英文分词的方法 把句子转化为词语 比如：我爱深度学习 可以分为[我，爱， 深度学习] 把句
Archilife-NLP:常见NLP任务的可视化
05-27
自然语言处理可视化(NLP visualization demo) 目录 前言 目的 为了在佑生基金会报告Text Analytics with Python: A Practical Real-World Approach to Gaining Actionable Insights from your Data ，实作了一遍书中介绍的各种NLP操作，并将结果以视觉化的图表呈现。由于原作者已经提供了完整程式码，这里就只简单记录一些结果。重点在呈现有那些可视化操作，而不是具体的程式码。 补记：这本书2019年出了第二版，内容大致上差不多，主要的区别是： 旧版使用Python 2，新版使用Python 3 新版增加了一个章节讲深度学习 新版提到比较多可视化的工具 主要工具 NLTK scikit-learn spaCy gensim fastHan scattertext bok
3.NLP基础：文本可视化简述
人生是一场修行
10-31 3626
文本可视化依赖于自然语言处理，因此词袋模型、命名实体识别、关键词抽取、主题分析、情感分析等是较常用的文本分析技术。文本分析的过程主要包括特征提取，通过分词、抽取、归一化等操作提取出文本词汇级的内容，利用特征构建向量空间模型并进行降维，以便将其呈现在低维空间，或者利用主题模型处理特征，最终以灵活有效的形式表示这些处理过的数据，以便进行可视化呈现。基于文本内容的可视化研究包括基于词频的可视化和基于词汇分布的可视化，常用的有词云、分布图和 Document Cards 等。
整洁的视觉效果：Neat（Neural Attention）Vision是一种可视化工具，用于自然语言处理（NLP）任务的深度学习模型的注意力机制。 （与框架无关）
02-03
网络视觉 NeAt（Neural Attention）Vision是一种可视化工具，用于自然语言处理（NLP）任务的深度学习模型的注意力机制。 产品特点 可视化注意力得分，有很多选择。 将可视化文件导出为SVG格式。 如果要在学术论文中使用可视化效果，这将非常方便。 但是，您可能必须将SVG转换为PDF。 可视化模型预测。 显示类的后验分布，回归任务中的错误等。 对于调试模型和检查其行为很有用。 支持分类，多标签分类和回归。 进行了整齐的可视化，以可视化自然语言处理（任务）任务的注意机制的权重。 目前，整洁的视觉只支持可视化的自我注意机制，在句子级别上执行以下任务： 回归：预测单个连
利用 NLP 技术做简单数据可视化分析
优快云人工智能头条
04-01 575
利用 NLP 技术做简单数据可视化分析Chat 简介：你是否曾经在租房时因为租房信息纷繁复杂，不知哪个房间性价比最好而不知所措？你是否曾经希望自己编写一个爬虫为你提取与你...
可视化 nlp_使用nlp可视化尤利西斯
weixin_26705191的博客
08-20 605
可视化 nlpMy data science experience has, thus far, been focused on natural language processing (NLP), and the following post is neither the first nor last which will include the novel Ulysses, by James ...
5 NLP自然语言处理入门--词向量embedding&代码实现(百度架构师手把手带你零基础实践深度学习原版笔记系列)
aiAI
10-22 3422
5 NLP自然语言处理入门--词向量(百度架构师手把手带你零基础实践深度学习原版笔记系列) 自然语言处理技术面临的挑战 如何让机器像人一样，能够准确理解和使用自然语言？这是当前自然语言处理领域面临的最大挑战。为了解决这一问题，我们需要从语言学和计算两个角度思考。 语言学角度 自然语言数量多、形态各异，理解自然语言对人来说本身也是一件复杂的事情，如同义词、情感倾向、歧义性、长文本处理、语言惯性表达等。通过如下几个例子，我们一同感受一下。 同义词问题 请问下列词语是否为同义词...
基于TF-IDF+TensorFlow+词云+LDA 新闻自动文摘推荐系统—深度学习算法应用（含ipynb源码）+训练数据集
小胡说人工智能的博客
08-09 1392
本项目运用了TF-IDF关键词提取技术，结合词云数据可视化、LDA (Latent Dirichlet Allocation)模型训练以及语音转换系统，来实现一个基于TensorFlow的文本摘要程序，从而为用户提供更便捷、直观的文本理解和获取体验。
python经纬度数据可视化_数据分析可视化（四）|Pyecharts制作地图的几种方法评析...
weixin_32561885的博客
12-29 2475
↑关注 + 星标，后台回复【大礼包】送你Python自学大礼 说到使用Python进行地理坐标可视化那就一定少不了Pyecharts的身影，本文就对Pyecharts可以制作的四种地图进行简单的评析。Pyecharts—Map首先介绍的是Pyecharts中使用最多的Map()，核心代码仅四行即可生成全国地图，来看下官方Demofrompyechartsimportoptions...
《自然语言处理实战入门》NLP 可视化 ---- 语义共现网络
shiter编写程序的艺术
01-04 2047
实体间的共现是一种基于统计的信息提取。关系紧密的人物往往会在文本中多段内同时出现，可以通过识别文本中已确定的实体（人名），计算不同实体共同出现的次数和比率。当比率大于某一阈值，我们认为两个实体间存在某种联系。这种联系可以具体细化，但提取过程也更加复杂。
《自然语言处理实战入门》NLP 可视化 ---- 文本分析基础
shiter编写程序的艺术
05-04 1466
文章大纲可视化，大数据最完美的呈现方式 推荐一本书，《数据之美》一本书学会可视化设计。 可视化，大数据最完美的呈现方式 大数据若是一种无形的土壤，那可视化就是浇水、施肥，让其开出美丽之花的工具。 大数据若是一种新型的石油，那可视化就是开发这种石油不可缺的设备 大数据若是烹饪的食材，那可视化就是将这些食材做成美味佳肴的厨艺。 可视化并不仅仅是一种工具，而更像是一种媒介，能最大化帮助我们挖掘数字背后...
【NLP】NO3：文本可视化
MARY197011111的博客
08-20 520
常用可视化图：词云、分布图、Document Cards、树状图、网络图、力导向图、叠式图、Word Tree、地理热力图、ThemeRiver、SparkClouds、TextFlow、基于矩阵视图的情感分析可视化。 一、词云 分词、去停用词、统计词频、绘制词云 #引入所需要的包 import jieba import pandas as pd import numpy as np from s...
《自然语言处理实战入门》NLP 可视化 ---- 文本内容可视化
shiter编写程序的艺术
06-01 2675
文章大纲基于关键词的文本内容可视化标签云文档散（DocuBurst)文档卡片时序性的文本内容可视化主题河流（ThemeRiver)历史流（History Flow）文本弧（TextArc）文献指纹（Literature Fingerprinting）文本特征透镜（Feature Lens) 文本内容的可视化是以文本内容作为信息对象的可视化。通常， 文本内容的表达包括关键词、短语、句子和主题，文档集合还包括层次性文本内容，时序性文本集合还包括时序性变化的文本内容。 1.基于关键词的内容可视化 2. 时序性文
nlp文字处理与数据可视化
weixin_30735391的博客
08-23 160
#采集 import urllib.request response = urllib.request.urlopen('http://php.net/') html = response.read() #简单处理 from bs4 import BeautifulSoup soup = BeautifulSoup(html,"html5lib") text = ...
【亲测免费】 NLPlot：自然语言处理可视化工具箱
gitblog_00046的博客
09-15 999
NLPlot：自然语言处理可视化工具箱 项目介绍 NLPlot 是一个专为自然语言处理（NLP）设计的可视化模块，它简化了NLP结果的视觉展示过程，并加速分析流程。该库支持多种图表绘制，包括但不限于N-gram柱状图、N-gram树图、词频直方图、词云、共现网络以及旭日图等，且已在英语和日语环境下经过测试。NLPlot基于Python构建，利用Plotly作为其图形渲染引擎，同时也兼容Networ...
NLP情感分析和可视化|python实现评论内容的文本清洗、语料库分词、去除停用词、建立TF-IDF矩阵、获取主题词和主题词团
太剧烈的快乐与太剧烈的悲哀是有相同之点的——同样地需要远离人群！
07-12 4768
1 文本数据准备 首先文本数据准备，爬取李佳琦下的评论，如下： 2 提出文本数据、获得评论内容 #内容读取 import xlrd import pandas as pd wb=xlrd.open_workbook("评论数据.xlsx") sh=wb.sheet_by_index(0) col=sh.ncols row=sh.nrows Text=[] for i in range(row): Text_Context=sh.row_values(i,1,2)[0] Tex.
用DeepSeek处理北疆文化与剧本杀的剧本数据存储、分析套路、自动生成，主要关注用户需求，能用不同用户需求生成剧本
最新发布
03-28
<think>好的，用户想了解如何利用DeepSeek实现剧本杀剧本的数据存储、分析常见套路以及生成个性化剧本。我需要结合提供的引用内容来构建回答。 首先，数据存储部分，引用3提到了基于Spring Boot和Vue的剧本杀管理系统，这说明可能需要数据库设计。可以建议使用关系型数据库存储剧本结构，非关系型存储用户行为数据，结合引用3中的系统分析部分，强调数据分类存储的重要性。 然后是分析常见套路。引用1提到剧本杀类型的发展，如本格推理、情感本、机制本等，需要分析这些类型的结构。可能需要用NLP技术处理剧本文本，提取角色关系、情节转折点等，结合用户评价数据（引用2中用户反馈部分）来识别成功元素。 生成个性化剧本方面，引用2展示了DeepSeek快速生成分镜脚本的例子，可以借鉴其生成能力。需要根据用户偏好（如推理强度、情感元素）使用模板引擎和AI模型，可能涉及用户画像和实时交互调整，如引用2中的多版本生成。 最后，结合引用3的可行性分析，要提到系统整合和数据流闭环，确保从存储到生成的整体流程可行。可能需要分步骤实施，先搭建数据库，再分析数据，最后集成生成模型。 需要检查是否覆盖了用户的所有需求点，并确保引用正确标注。例如，数据分类存储参考引用3，套路分析参考引用1和2，生成部分引用2和3。同时要生成相关问题，可能涉及技术实现、用户需求匹配和效果评估等方面。</think>### 使用DeepSeek实现剧本杀剧本全流程管理的方法 #### 一、数据存储架构设计 1. **结构化数据存储** - 使用关系型数据库（如MySQL）存储剧本基础信息：$剧本ID, 类型(本格/情感/机制), 角色关系图, 核心冲突点, 章节结构$ [^3] - 示例字段结构： $$剧本表(剧本ID, 作者ID, 创作时间, 平均游戏时长, 用户评分)$$ 2. **非结构化数据存储** - 采用MongoDB存储用户行为数据：$剧本选择偏好, 推理路径记录, 情感触发点响应数据$ [^4] - 结合SpringBoot构建RESTful API实现数据交互 #### 二、套路分析方法 1. **模式提取技术** - 通过NLP分析剧本语料库，建立$情节转折点= \{冲突爆发时间, 线索密度, 反转次数\}$的特征矩阵[^1] - 使用聚类算法识别常见套路： $$聚类中心= \frac{1}{n}\sum_{i=1}^n (情感强度_i, 机制复杂度_i)$$ [^2] 2. **用户画像构建** - 建立多维度评价体系： $$用户偏好向量= (逻辑推理权重, 情感沉浸度, 社交互动需求)$$ [^1] - 通过协同过滤算法匹配剧本套路与用户群特征 #### 三、个性化生成实现 1. **模板引擎架构** - 基于引用[2]的快速生成技术，构建分层模板库： $$剧本结构= \bigcup_{k=1}^n (场景模块_k \otimes 冲突类型_k)$$ - 支持参数化注入：$角色关系图 \hookrightarrow 悬念密度调节$ [^2] 2. **实时生成流程** 1. 接收用户需求：$输入=\{玩家数量, 时长要求, 偏好类型\}$ 2. 调用DeepSeek-API生成初稿 3. 自动注入套路元素：$反转次数= \lceil 时长/30 \rceil$ 4. 输出多版本剧本方案（示例代码）： ```python def generate_script(user_prefs): base = deepseek.fetch_template(user_prefs[&#39;type&#39;]) enriched = inject_clues(base, user_prefs[&#39;complexity&#39;]) return optimize_pacing(enriched, user_prefs[&#39;duration&#39;]) ``` #### 四、系统集成方案 1. 通过微服务架构实现模块解耦 2. 建立数据闭环：用户反馈→套路分析→模板优化 3. 可视化创作看板集成引用[2]的快速生成技术
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

shiter

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值