纳博科夫最喜欢的词大数据和文字结合，会有什么有趣发现？

　　大数据技术带给我们很多便利,比如各种证件的＂一网通办＂，也让我们＂宛如透明人＂，在网上搜索了什么，电商平台立马就能捕捉到数据，把相关的推荐给你。
　　但我一直觉得理性冰冷的数据和抒情写意的文字没什么关系，不过看了《纳博科夫最喜欢的词》后，发现并非如此，文字和数字结合在一起，也能玩得风生水起。
　　作者本·布拉特说：＂任何一个领域，如果拥有数十万个数据点，那么对这些信息进行挖掘一定有助于研究人的行为和心理，挖掘文字同样有效。＂
　　在《纳博科夫最喜欢的词》中，本·布拉特将喜欢的书籍和敬仰的作家用数据连接在一起，骤然打开了一扇神奇的窗户，观察到很多有趣的细节，比如文字指纹和写作模式。学习和研究这些细节，也是理解如何写作的一种有效方法。
　　那么，在大数据与文字的结合中，具体有哪些有趣的发现呢？
　　1. 文学指纹：谁才是真正的作者？
　　《联邦党人文集》被誉为美国宪法的圣经，是有关美国宪法和联邦制度的评论文章合集，共85篇文章，由18世纪80年代三位美国政治家亚历山大·汉密尔顿、詹姆斯·麦迪逊和约翰·杰伊在制定美国宪法的过程中写出，后来他们分别升任财政部长、总统和最高法院首席大法官。但文集中每篇文章的撰写者分别是谁？三位合著者从来没有公开承认写过哪些特定文章，这成为了20世纪最为知名的文学疑案之一。
　　直到1804年，汉密尔顿在与政敌决斗前留下了一封信，信中列出了每篇文章的作者，照道理谜团就此解开。但是13年后，麦迪逊卸任总统，他也列出了自己的著作清单。这份清单与汉密尔顿当年信中所说的有所出入。其中，汉密尔顿认领的12篇文章，麦迪森声称是他的作品。
　　这件事重新引燃了大众对于《联邦党人文集》文章归属的探索热情。不少历史学家赞同汉密尔顿的说法；而认为那12篇文章的作者是麦迪逊的人也不在少数。
　　直到1963年，这个谜案才最终得以告破。两位数学家——哈佛大学的莫斯特勒和芝加哥大学的华莱士——发表了论文《一个著作权问题的推论》，利用词频、概率和文本分析，揭开了谜底。
　　他们把文字当作随机变量，先研究了几个词，这几个词，汉密尔顿和麦迪逊只有一人会用，另一人基本不用。比如，在已知作者为汉密尔顿的文章中，他会用while,但从来不用whilst。麦迪逊则相反。
　　两位教授把文章分成三组：1. 作者已知为汉密尔顿；2. 作者已知为麦迪逊；3.作者有争议的。然后手工统计每1000个词中，特定词出现的频率，如enough/while/whilst/upon四个词出现的频率。
　　他们计算了每一个词对两位作者来说的可能性。最后得出结论：汉密尔顿所言为虚，那12篇文章的实际作者是麦迪逊。
　　经过无数统计和非统计的研究后，两位教授的分析结果目前已成为统计学家和历史学家们的共识。这个研究成果也产生了深远的影响，人们开始思考，著名作家们是不是都有自己的风格指纹？
　　如同法医能够通过指纹识别人的身份，每个作家是不是都有自己独一无二的＂文学指纹＂？带着这个问题，本·布拉特展开了研究。相比于1963年的手工分析，借助于计算机和互联网技术，现在的文本研究要便捷太多。本·布拉特挑选了50位作家，600部作品作为测试数据库（样本），验证两位教授的研究方法，最后用99%的正确率证实了：无论读者能否感觉出来，每个作者的文中总有自己文学指纹，将他与其他作者区别开来。
　　2. 伟大的作品如何开头？
　　伟大的作品都如何开头？数字可以告诉我们什么？本·布拉特同样在样本中观察，文中分析了20部著名作品的开头，下面我摘录部分，或许可以给我们一点启示。＂叫我以实玛利。＂——《白鲸》，郝尔曼·梅尔维尔
　　＂四月间，天气寒冷晴朗，钟敲了十三下。＂——《1984》，乔治·奥威尔
　　＂洛丽塔，我生命之光，我欲念之火。＂——《洛丽塔》，弗拉基米尔·纳博科夫
　　＂幸福的家庭都是相似的，不幸的家庭各有各的不幸。＂——《列夫·托尔斯泰》，安娜·卡列尼娜
　　＂那是最美好的时代，那是最糟糕的时代；那是智慧的念头，那是愚昧的念头；那是信仰的时期，那是怀疑的时期；那是光明的季节，那是黑暗的季节；那是希望的春天，那是失望的冬天；我们全都在直奔天堂，我们全都在直奔相反的方向——简而言之，那时跟现在非常相像，某些最喧嚣的权威坚持要用形容词的最高级来形容它。＂——《双城记》查尔斯·狄更斯
　　观察这些开头可以发现，他们的共同之处不在于长短，而是有一定的独创性，拥有出人意料、令人难忘的文字的震撼力。不过嘛，数字告诉我们，规律还是有一点点的，比如在86部普利策获奖作品中，有13部用天气来开头（这会不会和西方的社交习惯有关呢？）。
　　3. 纳博科夫最喜欢的词是？
　　我一直被书名牵动着，到底纳博科夫最喜欢的词是什么？本·布拉特以前面挑选的50位作家为样本，继续进行研究。首先他制订了一个标准，作家最喜欢的词需要满足特定要求：必须在作者一半以上的作品中出现；
　　以作者的所有作品为基数，每10万词至少出现1次；
　　不能太罕见，在美国历史语料库中每100万词至少出现1次；
　　不是专有名词。
　　遵循这样的标准，本·布拉特对作品进行比对，选出了使用率相对最高的三个，而这三个词基本就是作者最喜欢的词了。
　　如写《洛丽塔》的纳博科夫，他最喜欢的词是＂淡紫色＂；
　　写《傲慢与偏见》的简•奥斯汀，她最喜欢的词是＂礼貌＂、＂幻想＂和＂轻率＂；
　　写《东方快车谋杀案》的阿加莎•克里斯蒂，她的词是＂审讯＂、＂不在场证明＂和＂可怕＂；
　　而《哈利•波特》的罗琳，她的词是＂魔杖＂、＂巫师＂和＂魔杖＂。
　　《纳博科夫最喜欢的词》是一本用＂数字＂写成的书，妙趣横生，通过数据的透视镜，我们能看到很多有趣的发现。闲暇之余，翻一翻它，或许能带给你不一样的思路。
　　我是虎皮柚子，一名教育工作者，喜欢阅读与写作，欢迎关注。
　　很高兴在这里遇见你。