基于统计分析的“中国风”歌曲词汇研究摘要：通过计算106个歌词文本和《唐诗三百首》《宋词三百首》之间的余弦相似度，可以发现“中国风”歌词更接近宋词。再结合卡方检验、改进的信息增益方法选取特征词，梳理“中国风”歌词承续自古诗词，且区别于5425首一般流行歌曲的词汇类别与风格。最后进行K-最近邻分类实验，较髙的“古典词”比率和较低的虚词比率能大体上将“中国风”歌词与一般流行歌词分开，但仍存在例外情况。由此揭示出“中国风”歌词的基本面貌与定位，为引导“中国风”歌曲发展提供实证支持。关键词：“中国风”歌词；唐诗宋词；余弦相似性；特征词选择；K-近邻：0212.1/J614.9文献标志码：A:1672-0539(2018)05-0068-08一、引言“中国风”是21世纪初兴起的一种音乐体式。自2003年由方文山作词、台湾歌手周杰伦演唱的《东风破》获得巨大成功起，华语流行乐坛刮起了声势浩大的'‘中国风”。关于'‘中国风”概念的界定说法颇多，目前的主流观点由广东音乐人黄---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---晓亮提出，指'‘三古三新（古诗文、古文化、古旋律、新唱法、新编曲、新概念）”相结合的中国特色乐种［1］。具体而言，它结合中国传统民间乐器与现代乐器，在曲调上以民族宫调式为主，最重要的是，其歌词以传统诗词为辞藻风格。在以往的研究中，研究者们注意到'‘中国风”歌曲词汇在多方面的特色。例如，杨杰［2］、张新标［3］从词语选用、修辞技巧、意境营造、情感表露等方面，探寻了唐诗宋词和现代歌词的源流关系。刘芳智［413-10等则对某一“中国风"歌词作者的作品进行了题材分类、风格评析，总的来看，现阶段的研究主要是用传统文学赏析的办法，解读个别歌曲中的具体字句,尚未运用统计方法展现“中国风”歌词的宏观面貌。而且，研究对象或是笼统的'‘中国风”歌曲，或是某位词作者的歌词，缺失不同作品之间的比较研究。在前人的基础上，我们参考"计量风格学”中的统计技术,立足于文本词汇，对“中国风”歌词进行全面的计量分析，比较其与唐宋诗词、一般流行歌曲的异同。计量风格学是以定量的手段，利用文本中可以统计的语言特征项来探索文本风格的一门学科［5］,具体包括“余弦相似性”等计算文本相似度的方法、“信息增益”等挖掘某一类别文本特征词的方法，以及基于监督学习的文本分类算法等。在古诗词语料方面，我们以---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---清代蕎塘退士《唐诗三百首》［6］选本（实收诗320首）和朱孝臧《宋词三百首》［7］（第三版选本，实收词285首）为唐诗宋词的代表；在“中国风”歌曲的语料采集上，我们选取了2003年到2017年2月发行的来自62位作者的106首具有古典意味的歌曲歌词；在一般流行歌曲方面，由于目前还没有比较成熟、权威的中文歌词语料库，歌词语料从网络广泛搜集得到，在排除其中属于106首“中国风”歌曲的语料后，共得5425首歌的歌词。二、文本预处理文本预处理主要包括三项主要操作，一是停用词（StopWords）的选取，二是利用分词系统，三是去除标点。在计算文本相似度、选取特征词任务中，三项均需进行；在文本分类任务中，则只进行第二、三项操作。（一）停用词的选取停用词指经常出现在文本中，却不承载较多信息量的词语,它们对文本主题没有太多贡献度，最好的办法就是在处理文本的过程中删除它。我们主要把“有”“无”“来”等常用的动词，"上”"下”"中”等方位名词，"人”"天”等常见的名词，"和”"及"等连词，"的”"了”等助词，"不”等---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---副词选为歌词文本、《唐诗三百首》文本和《宋词三百首》文本的停用词。需说明的是，这些词被停用后，只是不再以词的身份单独出现，但仍可以构词语素的身份出现，例如“无情”“佳人”。这样的合成词对于文本内容仍具一定意义。（二）利用NLPIR/ICTCLAS系统分词并去除标点分词作为中文信息处理基础工作，是后续环节的前提。一方面，唐宋诗词正处于中古汉语到近古汉语的过渡时期，汉语主要的词汇形式逐渐从单音节过渡到双音...