企业官网建设流程全解析

市面上讲自然语言处理入门的内容很多，但大多停留在“跑通一个自带数据集、调一个预训练模型”的阶段，真正能让你把分词、词频、情感分析、关系抽取这些散装技术串成一条完整链路、并且跑在有分量的中文语料上的实战项目，其实并不多。今天这篇博文，就围绕“四大名著自然语言处理综合程序设计与实现”这个项目，聊聊我是怎么把《红楼梦》《三国演义》《水浒传》《西游记》这四部经典从纯文本一步步变成结构化数据、再做成可视化分析的。整个系统的完整流程是：原始文本清洗 → 分句与章节切分 → 中文分词 → 停用词过滤 → 词频统计分析 → 情感倾向分析 → 人物共现关系网络构建。开源社区里关于英文NLP的教程一抓一大把，但一旦切到中文古籍文本，很多现成方案直接就翻车了，所以这篇文章里会有大量基于实操踩坑后的经验总结，对想用中文语料做NLP练手、做毕设选题、或者对数字人文研究感兴趣的读者，都有直接参考价值。

1. 项目整体设计与思路拆解

1.1 为什么选四大名著作为语料，而不是现代汉语语料

很多人问我第一个问题就是：做NLP为什么非要拿四大名著开刀，现成的新闻语料、微博语料不香吗？说实话，现代语料确实干净、规范，预处理省一大半功夫，但恰恰是这种“干净”掩盖了很多NLP链路中的真实问题。四大名著作为语料，有几个不可替代的优势：

第一，文本体量适中且分布均匀。四部作品加起来大约三百多万字，单部分别在60万到90万字之间。这个体量对个人开发者来说非常友好——既足够训练出有统计意义的词频和情感分布，又不至于像全网语料那样动辄几个GB，普通笔记本跑起来毫无压力。我实际测试过，用Jieba做全量分词，四部作品加一起也就几分钟的事。

第二，古文和白话文混杂交织，语言现象丰富。《三国演义》和《西游记》里的文言色彩较浓，《红楼梦》和《水浒传》则是半文半白的古典白话。这意味着分词器会频繁遇到古今异义、人名别名、典故成语、书面语与口语混用的情况，处理难度比现代汉语高一个量级。

第三，人物关系网络天然具有研究价值。四大名著的人物体系极其庞大，《红楼梦》有名有姓的人物七百多个，《三国演义》的武将谋士关系网更是复杂。用共现关系来还原人物亲疏程度，是数字人文领域特别经典的玩法，做出来效果直观、展示性好。

第四，情感分析有明确的叙事纵深。从《三国演义》的战争杀伐到《红楼梦》的家族兴衰，四部作品的情感基调差异极大。用情感分析工具去量化这种差异，本身就是一件很有意思的跨学科实验。

1.2 模块化架构设计：一条数据流水线，而不是东拼西凑的脚本

这个项目在设计之初我就没打算写成“一个脚本跑到底”的玩具代码，而是按照数据处理流水线的思路拆成了六个独立模块，每个模块只做一件事，输入输出都是标准格式。完整架构如下：

• 模块一：文本清洗器。负责处理从网上抓取的原始txt文本，统一编码为UTF-8，去除BOM头、空行、非正文内容（如出版社信息、目录页等）。
• 模块二：章节切分器。根据回目格式（如“第一回”“第五十回”）自动切分章节，输出结构化JSON。
• 模块三：分句与分词器。基于标点符号完成分句，再调用中文分词工具完成分词与词性标注。
• 模块四：停用词过滤器。维护一份面向古籍文本的定制停用词表，过滤虚词、语气词、无实义的助词。
• 模块五：统计分析引擎。负责词频统计、TF-IDF计算、情感分数映射、共现关系抽取。
• 模块六：可视化与输出层。将分析结果输出为图表数据和关系网络文件。

这样设计最大的好处是：任何一个环节的算法替换都不会影响其他模块。比如一开始我用的分词方案效果不理想，只需要改动模块三的接口实现，后面的统计模块完全不用动。实际开发过程中这种解耦带来的便利，谁用谁知道。

1.3 关键技术选型与理由

选型这块我直接说结论，附带理由：

这些选型里争议最大的应该是情感分析方案。我一开始也尝试过直接用预训练模型做中文情感分类，结果遇到两个硬伤：一是古文里大量词汇在模型词表中根本不存在或语义偏移严重，二是模型无法处理反讽和隐喻。后来退回到情感词典方案，虽然精度上限有限，但至少结果是可解释的——每个句子的情感分数都能追溯到具体的中性词、褒义词和贬义词。

2. 语料获取与文本预处理

2.1 原始语料的获取与格式统一

语料获取这事儿看着简单，实际上坑很深。我最初从几个不同的网站下载了四大名著的txt版本，结果发现每个版本的文本质量参差不齐。有的版本把目录和正文混在一起，有的版本夹杂了大量批注内容，还有的版本使用了繁体字或者异体字。最后我选定的处理策略是：

先从多个来源下载不同版本，然后以某公开的权威电子版本为底本，交叉比对后手工修正明显的错漏。这一步非常耗时，但后续的所有分析质量都取决于文本的准确性，值得投入。

拿到原始文本后，统一的预处理流程如下：

def clean_raw_text(text: str) -> str: # 去除BOM和多余空白 text = text.lstrip('\ufeff').strip() # 规范化换行 text = re.sub(r'\r\n', '\n', text) text = re.sub(r'[ \t]+', '', text) # 去除连续空行 text = re.sub(r'\n{3,}', '\n\n', text) # 去除常见页眉页脚 text = re.sub(r'——{2,}.*?——{2,}', '', text) # 去除全角空格和特殊符号 text = text.replace('\u3000', '').replace('\xa0', '') return text

这里有个细节：[ \t]+直接删除所有空格，你可能担心会误删正文中的必要空格。但实际上中文古籍排版中空格基本没有语义作用，删掉反而利于后续分词。

2.2 章节切分与结构化存储的整体思路

章节切分的难点在于回目格式不统一。《三国演义》是“第一回 宴桃园豪杰三结义”，《红楼梦》是“第一回 甄士隐梦幻识通灵”，格式大同小异，但细节上有的用“第X回”、有的用“第X章”、还有的版本会带上“卷X”。我用正则表达式做了适配，核心模式如下：

def split_chapters(text: str) -> list: # 适配 "第一回" 到 "第一百二十回" 的回目标题 pattern = re.compile( r'第[零一二三四五六七八九十百千万两]+[回章节卷]' r'\s*[\u4e00-\u9fff·：:、\s]+' ) matches = list(pattern.finditer(text)) chapters = [] for i, match in enumerate(matches): start = match.start() end = matches[i + 1].start() if i + 1 < len(matches) else len(text) chapter_title = match.group().strip() chapter_body = text[start + len(match.group()):end].strip() chapters.append({ 'index': i + 1, 'title': chapter_title, 'content': clean_text(chapter_body) }) return chapters

注意，这里的章节正文从回目标题结束后开始取，到下一个回目标题前结束。实际运行时《红楼梦》切出来一百二十回，《三国演义》一百二十回，《水浒传》一百回（有些版本还有征辽、征田虎等章节，我默认采用百回本），《西游记》一百回。四部作品章节数有差异，不影响后续模块统一处理。

2.3 分句边界的确定与古文特殊标点处理

分句看似简单，实际上古文文本存在一个现代文本很少遇到的麻烦：引号嵌套和对话分句。比如“黛玉笑道：‘你瞧，这个字写得好么？’”这一句话里包含了外层叙述和内层对话两层语义。如果按句号边界硬切，会切出“黛玉笑道：”这种残句，在后续词频统计时产生无意义的噪声。

我的处理策略是以句号、问号、感叹号为主分割符，同时把冒号和引号作为辅助边界信号。具体实现是正则先行切分，再对残句做规则合并。实际跑下来，分句准确率虽然达不到100%，但足以支撑后续的统计任务。四大名著全部分句完成后，单部作品的句子数量在两万到四万之间，样本量完全够用。

3. 中文分词与文本向量化的实战方案

3.1 基于词典分词的核心：自定义人名词典的构建

分词是中文NLP最基础的环节，但恰恰是四大名著这种古籍文本最容易在这里翻车。问题集中在人名上。举几个我实际遇到过的情况：

• “玄德”和“刘备”是同一个人，但分词器不知道这俩是一回事；
• “贾宝玉”被切成“贾”“宝玉”；
• “行者”这种称谓在《西游记》里专指孙悟空，但在《水浒传》里是武松的诨号“行者”；
• “云长”二字，在《三国演义》里指关羽，在普通语境下可能被切成“云/长”。

解决思路很简单——自定义词典，但落地时有个讲究。Jieba支持自定义词典格式为“词 词频 词性”，我维护了一个覆盖四部作品核心人名、别称、官职、地名的词典文件，并统计了多版本文本中出现的频率。示例如下：

贾宝玉 500 nr 林黛玉 400 nr 薛宝钗 260 nr 刘备 800 nr 诸葛亮 750 nr 关羽 600 nr 司马懿 320 nr 孙悟空 900 nr 唐僧 500 nr 猪八戒 300 nr 武松 280 nr 鲁智深 230 nr

这个词典是整个项目分词准确率提升最大的一个动作。加入自定义词典后，《红楼梦》的人名分词准确率从以76%直接跳到以93%，提升非常明显。

3.2 分词调用与词性过滤的完整实现

分词模块的核心逻辑如下：

import jieba import jieba.posseg as pseg jieba.load_userdict('sdmz_dict.txt') def segment_text(text: str) -> list: words = [] # 按句子处理，避免长文本的粒度问题 for sentence in split_sentences(text): for word, flag in pseg.cut(sentence): # 过滤单字虚词和纯标点 if len(word.strip()) == 0 or word.strip() in PUNCTUATION: continue words.append({ 'word': word, 'pos': flag, 'length': len(word) }) return words

这里有个容易忽略的调优点：pseg.cut和jieba.cut返回结果的粒度是不同的。pseg.cut会额外标注词性，方便后续过滤动词名词，但速度会慢一些。对于本项目几十万字的规模，性能差异可以忽略，直接选词性标注版本即可。

3.3 停用词表：不能直接抄网上的通用表，必须针对古籍定制

通用的中文停用词表一般包含“的”“了”“是”“在”这类高频虚词。但放到四大名著的语料里，还有一批特殊的“虚词”需要处理，比如：之、乎、者、也、矣、焉、哉、兮、乃、其、且、遂、欲、将、若、莫、须、曾、亦、岂、弗、勿等。

直接套通用停用词表会让这些古文虚词全部漏进词频统计里，导致“之乎者也”霸榜。我自定义了古籍专用停用词表，这部分补充了约一百二十个高古文虚词。同时还要注意：某些词在古文里的功能与现代汉语不同，比如“云”在《三国演义》里大量用作“说道”的书面语标记（如“玄德曰：‘...’云”），但在词频统计中如果直接过滤“云”，会误杀关键词。所以停用词表的制定必须结合具体语料人工审查，不能纯自动生成。

4. 核心分析模块：词频、情感与人物关系网络

4.1 词频统计与跨作品词云差异

词频统计模块逻辑很简单——在分词和停用词过滤的基础上做一个Counter聚合。但真正有价值的是跨作品的对比分析。

我把每部作品的TOP20高频词拿来做对比，发现了一个有意思的现象：《红楼梦》的高频词中，人名占比最高，其次是家庭生活场景词汇（“太太”“姑娘”“老太太”“屋里”）；《三国演义》的高频词中，官职、战争策略词汇更为突出（“将军”“丞相”“兵”“城”）；《西游记》的高频词则集中在神魔体系（“师父”“妖怪”“菩萨”“悟空”）；《水浒传》的好汉绰号和动作词汇非常高频（“武松”“宋江”“英雄”“梁山”）。

这个结果说明什么呢？说明在用词层面，四部作品的题材差异已经能够通过简单的统计方法清晰区分。我在博文里放了几张词云图对比，读者可以直观看出来。

4.2 情感分析：基于情感词典的规则引擎实现

情感分析模块是整个项目里最有挑战性的部分，也是我踩坑最多的地方。先说一下最终采用的规则引擎设计：

情感分数由三部分组成：

• 基础情感词得分：查询情感词典得到每个词的正负向强度（-5到+5区间）；
• 否定词翻转：如果情感词前出现“不”“无”“非”“莫”“未”等否定词，得分乘以-1；
• 程度副词加权：如果情感词前出现“甚”“极”“十分”“略”等程度词，按权重放大或缩小情感分。

句子最终情感分 = 所有有效情感词得分的加和。

def sentence_sentiment_score(sentence: str) -> float: words = segment_text(sentence) score = 0.0 negate_flag = False adverb_multiplier = 1.0 for item in words: w = item['word'] if w in NEGATION_WORDS: negate_flag = not negate_flag elif w in ADVERB_WORDS: adverb_multiplier = ADVERB_WORDS[w] elif w in SENTIMENT_DICT: base = SENTIMENT_DICT[w] if negate_flag: base = -base score += base * adverb_multiplier negate_flag = False adverb_multiplier = 1.0 return score

这个实现里情感词典用的是知网情感分析用词集，同时我人工补录了一批四大名著里的高频情感词汇，比如“凄怆”“薄情”“孤凄”等。经过人工标注验证，这个方案在《红楼梦》上的F1大概在68%左右，不算特别高，但对于无监督规则方法来说，效果已经足够做趋势分析。

4.3 全书情感曲线与高低点回溯验证

情感分析做完后，我把《红楼梦》每章的情感均值绘制成了一条曲线，然后用回文本逐章验证。结果让人吃惊：情感均值的最低点并不在黛玉焚稿那一回（那是情绪最外露的爆发点），而是在中后段的许多日常琐事描写中。原因是：日常琐事中的“无事闲聊”情感词密度高但极端情绪少，均值容易被中性词拉低；而焚稿那一章虽然情绪浓烈，但整体篇幅中大量环境描写和人物动作占掉了情感词比重。

这个发现让我意识到，基于情感词典的统计结果并不能等同于文学鉴赏中的“情感强度”，它更接近“情绪词汇密度的温度计”。我在文章里如实把这一点写了出来——做这个项目不是为了用算法替代文学研究，而是给文学研究提供一种可量化的参考维度。

4.4 人物关系网络的共现算法设计与可视化

人物关系网络是视觉效果最炸裂的部分。核心思路是：如果两个人物在同一个句子或者相邻的几个分句中同时出现，就认为他们之间存在一次共现，共现次数越多，关系强度越强。

具体实现分为三步。第一步，抽取句子中的人物名，这里利用前面构建的人名词典做匹配。第二步，使用滑窗法，窗口大小设置为同一个自然段落内的三个连续分句，统计窗口内所有人物两两共现。第三步，累加共现次数，输出带权边列表。

def build_cooccurrence_network(chapters: list) -> dict: cooccur = {} window_size = 3 # 以分句为单位滑窗 for chapter in chapters: sentences = split_sentences(chapter['content']) for i in range(len(sentences) - window_size + 1): window_sents = sentences[i:i + window_size] persons_in_window = set() for sent in window_sents: persons_in_window.update(extract_persons(sent)) persons_in_window = list(persons_in_window) for p in range(len(persons_in_window)): for q in range(p + 1, len(persons_in_window)): pair = tuple(sorted([persons_in_window[p], persons_in_window[q]])) cooccur[pair] = cooccur.get(pair, 0) + 1 return cooccur

跑完之后用网络分析工具计算度中心性和社区划分，输出标准格式文件后，用图可视化工具渲染。从最终成品来看，《三国演义》的关系网络里，刘备、曹操、孙权三个政治集团各自形成社区聚落，人物之间的边权和亲密度层次分明；《红楼梦》里以贾宝玉为核心的关系网络呈放射状，四大家族聚类清晰。这种效果放在任何汇报场景里都是加分项。

5. 进阶尝试与效果调优

5.1 基于TF-IDF的特征词提取与作品风格对比

基础词频统计只能回答“哪些词出现得多”，回答不了“哪些词是某部作品区别于其他三部作品的关键词”。这时候就需要TF-IDF出场了。

我将四部作品全部合并成一个文档集合，以章节为文档单位，计算每个词的TF-IDF值。IDF的公式用标准形式：IDF(t) = ln(总章节数 / 包含词t的章节数 + 1)。出来Top特征词后，结果非常漂亮：

《西游记》的Top特征词包括“悟空”“妖怪”“师父”“菩萨”“禅”——神魔色彩浓烈；《红楼梦》的Top特征词包括“黛玉”“宝玉”“老太太”“姑娘”“屋里”——日常生活和家族气息扑面而来；《三国演义》的Top特征词包括“丞相”“将军”“兵”“城”“天下”——政治军事主线一目了然；《水浒传》的Top特征词集中在“林冲”“武松”“宋江”“梁山”“好汉”——江湖气十足。

在实际操作中，我发现加1平滑（即文档频率分母加1）对古籍语料很重要，不这样做的话，一些只在某部作品出现但频率不高的词，IDF会爆炸，导致特征词列表里全是生僻人名，反而失去风格对比的意义。

5.2 四大名著风格迁移实验：一个未竟的彩蛋

说实话，这个项目做到关系网络图之后就基本完事了。但我在调参过程中突发奇想——能不能用语言模型风格迁移的方式，把现代白话文本转换成红楼梦风格？

这个实验我浅尝辄止，没有深度训练模型，只用一个轻量纹理生成模型在《红楼梦》语料上做了简单微调，喂进几句现代汉语后输出。结果生成的文本在句式上确实带了一点半文半白的感觉，但在语义连贯性上完全不合格。我把这个局限性实验也写进了项目总结里，提醒后人：古文风格迁移目前还属于玩具阶段，展示意义大于实用意义。

如果你对这个方向感兴趣，我个人的建议是：不要直接拿古文语料做端到端生成，而是先做文白对照语料的对齐，建一个平行语料库再考虑训练。这是一块硬骨头，不是一两个下午能啃下来的。

5.3 标签体系设计：让每一句话都能被检索

为了让后续研究能够灵活检索，我设计了一套轻量级的标签体系，给每个句子打上结构化标签。标签分为三类：叙事类型标签（对话/动作/环境/心理）、人物标签（出现的人物名集合）、情感极性标签（正/负/中性）。这个标签体系帮我在后期做索引时节约了大量时间——比如想查看“林黛玉所有出现‘泪’字的句子”，只需要组合过滤人物标签和词面检索，一秒出结果。

标签生成采用的是规则+词典的方法，没有用机器学习模型，因为训练数据不足且标注成本过高。在设计标签维度时，注意不要贪多，标签越多规则越容易冲突。我前后试过六个维度，最后精简到三个核心维度，稳定性提升不止一个档次。

6. 常见问题与排查技巧实录

6.1 乱码与编码问题：UnicodeDecodeError的完整排查路径

处理古籍文本时，编码问题是第一道坎。网上下载的txt文件五花八门：有GBK的、有GB18030的、有UTF-8带BOM的，还有的混用了多种编码。

我的排查策略是三步走。第一步，用文件头部字节判断编码类型。第二步，用chardet库做编码检测兜底。第三步，统一转码为UTF-8再落盘。完整代码如下：

import chardet def detect_and_read(filepath): with open(filepath, 'rb') as f: raw_data = f.read() result = chardet.detect(raw_data) encoding = result['encoding'] or 'utf-8' try: return raw_data.decode(encoding) except UnicodeDecodeError: # 用 GB18030 兜底，兼容性比 GBK 更好 return raw_data.decode('gb18030', errors='ignore')

注意：errors='ignore'会导致部分字符静默丢失。如果是做文学研究用途，我建议遇到解码失败时打印警告日志，人工检查一下乱码段落，比直接忽略稳妥得多。

6.2 回目名过长导致的章节切分错位

我碰到过一个比较隐蔽的问题：某些版本的回目在正文中会出现两次，一次是目录页，一次是正文标题。如果不做去重，章节切分后第一回的内容会包含完整目录页，导致第一回的词频统计异常偏高。

解决方法是：找到第一个出现“第一回”的位置之后，先判断后续0-5000个字符内是否再次出现“第一回”。如果再次出现，则从第二次出现的位置开始作为正文起点。这个启发式规则准确性很高，因为目录页通常很短且不会包含完整正文。

6.3jieba.cut与pseg.cut结果不一致的常见原因

这个问题在调试时困扰了我一晚上。我自己维护的自定义词典中包含“宝玉”和“贾宝玉”两个词，jieba.cut正确切出了“贾宝玉”，但pseg.cut却切出了“贾/宝玉”。原因是Jieba的词性标注使用了不同的内部状态，对未登录词的回退逻辑不一致。

解决办法是最小化自定义词典中的重叠词条。我最终在词典中只保留了全名“贾宝玉”，删掉了“宝玉”这个子串词条，同时用字符串匹配做二次识别（当检测到“贾宝玉”出现时，把其中包含的“宝玉”一并标记为人物）。这个方法虽然笨，但有效。

6.4 情感分析中“双重否定”和“隐喻讽刺”的处理边界

双重否定在古文中并不罕见，“莫不是”“非不可”这类结构很容易让规则引擎打错分数。我在规则里加了一个小技巧：连续出现两个否定词时，后一个否定词不翻转情感值（即正负抵消），同时记录一个标记。这个处理在验证集中能挽回约3个百分点的准确率。

但“隐喻讽刺”这种修辞等级，规则引擎真的搞不定。最典型的例子是《红楼梦》中王熙凤的许多话表面是夸人，实际是讽刺，情感词典统计出来的分数往往是正的，与语境的真实情感完全相反。关于这一点，我建议不要试图用规则方法解决，老老实实标注一小批句子单独做分类模型，或者干脆在项目说明里承认这是方法局限。

7. 测试集构建与效果评估

7.1 人工标注验证集：不建测试集的效果评估都是耍流氓

为了客观评估整个NLP流水线的效果，我从每部作品中随机抽取了部分章节段落作为验证集。验证集分为三个子集：分词正确性子集（随机抽取两千个句子）、情感标注子集（随机抽取五百个句子）、人物共现准确性子集（随机抽取两百个包含多人物的段落）。

手动标注很累，但这是唯一能真正发现问题的方式。在标注过程中我发现了三个在自动评估中很难暴露的问题：

一是分词错误在长人名和官职连写场景下特别集中；二是情感分析对“对话中的反讽”几乎零防御力；三是共现窗口的句子边界切分准确度直接决定了关系网络的质量。这些发现直接指导了后续调优的方向。

7.2 三项关键指标的量化结果与误差归因

最终评估结果如下：

• 分词准确率约88.7%，加入自定义词典后提升到93.2%。剩余错误主要分布在古地名、不太常见的官职、以及人名别名上。
• 情感分析在验证集上的准确率约66.4%，中性句子的召回率偏弱。误差来源中，反讽与隐喻占比最高。
• 人物共现网络的F1值未做严格统计，但人工抽检显示：核心人物的关系统计与文学共识基本一致，边缘人物因出现频次过低，关系权重不稳定。

在误差归因上，我认为根源在于“古代汉语的歧义性远高于现代汉语”，而现成的NLP工具基本以现代汉语为优化目标。如果你要做古籍方向，不要指望任何现成模型能给你一个惊喜，人工调参和词典补充是绕不开的路。

8. 项目延伸方向与实用建议

8.1 四个值得深入的方向：从展示系统到定量研究

这个项目做完是有明确延伸价值的。我总结下来有四个方向最值得投入：

第一，把共现网络升级为有向关系图谱。现在只是无向边表示“出现过在一起”，升级后可以区分谁主动提谁、谁在对话中占据主语位置，这能更精确地刻画人物关系的不对称性。

第二，加入词向量或语言模型做文本表示，重新做章节相似度分析。目前的分词+统计方案对语义相似度的捕捉能力有限，换用词向量后，可以把“两军交战”这类场景在不同章节的重现度做量化对比。

第三，事件抽取。四大名著里有大量事态发展脉络（比如赤壁之战、大闹天宫、真假宝玉），如果能把事件抽取出来按时间线组织，就能构建叙事弧线图，数字人文领域很吃这套。

第四，跨版本对比研究。不同版本的四大名著在文字细节上有差异，可以构建版本差异数据库，结合NLP手段做校勘学分析的辅助工具。

8.2 给后来者的六个避坑建议

最后，我把做这个项目过程中最有价值的实践心得总结成一条条建议，希望后来者能少走弯路：

1. 自定义词典比任何算法优化都重要。如果把整个项目的投入时间按100%算，词典构建和优化大概占了40%。没有词典，后续所有分析的准确率都上不去。
2. 情感词典方案的上限有限，但下限很稳。如果你要做古籍情感分析，先接受规则方案的局限性，再去考虑深度学习。不要一上来就上大模型，效果大概率会让你失望。
3. 别迷信任何来源的“权威语料”。网上的文本版本参差不齐，必须自己交叉比对和人工修正。
4. 共现窗口的粒度决定了关系网络的质量。窗口太大，两个无关人物的共现次数会虚高；窗口太小，真正有关系的人物又容易被漏掉。我用三个分句窗口，但不同文本场景可能需要调整。
5. 结果的文学合理性比数值指标更值得关注。做数字人文项目，算法指标的提升有时候不如一个“关羽-张飞-刘备”三角关系被正确还原来得有说服力。
6. 做一个能跑通的玩具系统，比做一个半成品的研究框架更有价值。我见过太多人把精力花在模型选型和调参上，最后连一个完整的分析流程都没跑通。先把全链路跑起来，再逐步优化每个环节，这才是工程上的正确路径。

8.3 在展示汇报中的内容组织与视觉呈现

如果你是以这个项目做展示汇报，我的经验是：不要一上来就讲技术架构，而是先用最直观的产出物抓注意力。我会建议按“词云差异 → 情感曲线 → 关系网络图”的顺序展开汇报。

词云差异是三秒钟就能看懂的内容，适合暖场；情感曲线需要结合文本解释，可以展示算法与文本理解的差距；人物关系网络图是整个项目的视觉最高点，留到中场作为核心展示内容。最后再讲技术方案和遇到的坑，这时候观众已经被前面的可视化结果建立起了信任，听技术细节的耐心会好很多。

汇报材料里一定要有一张“完整流程架构图”，但图形设计要极度精简——控制在六个方框以内，每条连接线标注清晰。我做第一版架构图时塞了十几个组件和几十条线，结果听的人全懵了，后来精简到“文本清洗 → 章节结构化 → 分词词性标注 → 统计分析与关系抽取 → 可视化输出”五步，效果完全不同。