← 返回 PaperDaily
大模型与智能体
唐诗地域密码：0.69准确率猜出诗人籍贯
这篇论文很有意思，居然把唐诗当成“地域指纹”来做分类。更妙的是，它不只看准不准，还顺手给文学史抛了几个能讨论的线索：地理距离、时代变化、中心与边缘，模型犯错都能讲出故事。
龙哥读论文
发布于 2026-08-15 00:20:09
阅读 3
查看原文
🐉 龙哥读论文知识星球来了！ 公众号每日8篇拆解不够看？星球 无上限更AI领域论文、资讯、招聘、招博、开源代码， 一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
龙哥推荐理由：
原论文信息如下：
唐诗中的地域密码：模型如何识别诗人的籍贯？ 唐诗看起来是“风花雪月”的文学世界，实际上也可能偷偷藏着“户口本信息”。本论文干的事就很有意思：把每位唐代诗人的全部作品攒在一起，再看模型能不能仅凭这些诗，猜出他大概来自唐代哪个地区。换句话说，就是让算法当一回“文学侦探”，看看诗句里有没有地域口音、风格偏好和时代烙印。
这件事之所以值得做，是因为传统文学史里一直有个老问题：唐诗到底有没有明显的地域风格？如果有，这种差异是词汇、意象、典故，还是更细的写作习惯？以前更多靠学者细读和经验判断，现在作者把它变成了一个可检验的分类任务。模型不是来替代文学史家的，而是来帮忙“翻土找线索”的。
先把术语说清楚。这里的“道”不是唐僧取经那个道，而是唐代行政区划里的高级地理单位。论文把诗人的籍贯标签映射到“道”层面，再进一步合并成南北、三大宏区和十个具体区域。这样做的好处是：既能看粗粒度的南北差异，也能看细粒度的地方风格。
数据来源也很扎实。文本来自《全唐诗》，人物地理标签来自 CBDB（China Biographical Database，中文可译为“中国历代人物传记资料库”）。CBDB 是哈佛大学、中央研究院和北京大学共同维护的历史人物数据库，论文用它来给诗人“落地理坐标”。最终保留下来的是357位、至少有5首诗的诗人。样本不算大，但胜在每个人的作品是聚合后的“诗人级语料”，更像在分析“一个人的写作习惯”，而不是一首诗的偶然灵感。
模型任务也很直接：输入某位诗人的全部诗作，输出他更可能属于哪个地区。听上去像“诗词版人脸识别”，但识别的不是长相，而是语言纹理。要是模型真能分出来，那说明唐诗里确实有某种稳定的区域信号；要是分不出来，也能反过来说明唐诗的“雅言统一”可能压过了地方差异。总之，能不能看出门道，先让模型试试。
90%准确率：从诗词用词中看出南北差异 论文的核心思路并不花哨：先把每位诗人的作品变成向量，再做分类。向量怎么来？一部分是最朴素但很能打的字符 n-gram TF-IDF Term Frequency–Inverse Document Frequency
这里有个特别值得注意的地方：论文没有一上来就迷信大模型，而是把传统机器学习和古典中文预训练模型放在同一张桌子上比拼。参与比较的有逻辑回归、线性支持向量机、随机森林、MLP，以及古文预训练模型 GuwenBERT。BERT 的全称是 Bidirectional Encoder Representations from Transformers Support Vector Machine, SVM
从结果看，最强的是 MLP，南北二分类准确率和宏平均 F1 都达到 0.69。别小看这个数字，它说明模型不是在“蒙对一半”，而是真的从诗里抓到了可重复的区域信号。更有意思的是，线性模型已经不差，随机森林也能打，这意味着信号并不依赖特别复杂的深度结构，字符级别的统计模式本身就足够显眼。
如果把任务从“南北二分”升级到“十道分类”，难度会立刻上升，毕竟地区越细，诗风越容易互相打架。但论文仍然发现，模型在更细粒度任务上依然高于基线，说明这不是一个只会粗暴切南北的简单现象。换句话说，唐诗里的地域纹理不是只有“大南方”和“大北方”两种颜色，而是有更细的渐变层次。
这就解释了为什么字符级特征会这么强。中文古诗不是按空格切词的现代文本，很多风格信息就藏在单字和双字的组合里。比如某些山水、佛禅、隐逸相关字眼在南方诗人里更常见，而北方诗人更容易出现宫廷、都城、礼制相关词汇。模型不懂“意境”，但它会数这些字出现了多少次，久而久之就把地域味道闻出来了。
论文还有一个很关键的结论：字符 n-gram TF-IDF 已经足够强
边缘还是中心？江南诗人为何更易识别？ 分类结果里最耐人寻味的，不是“整体能分出来”，而是“谁最容易被分出来”。论文发现，江南等边缘或远离政治中心的地区，识别度更高；而长安、洛阳周边的中心区域，反而更容易混淆。这个现象很像现实里的口音：越是离中心远，越容易保留本地味儿；越靠近权力和文化中心，越容易被“标准化”。
这部分结果和唐代历史背景其实是对得上的。唐朝中后期，文学中心长期围绕宫廷和都城展开，中心区域的写作习惯更容易趋同；而远离中心的地区，因为文化生态、地理环境和社交圈层不同，反而更容易保留地方特色。论文把这种现象概括为“距离衰减”：离中心越远，语言越不一样。这个说法本来常见于地理语言学，放到唐诗里，居然也能成立。
更妙的是，论文并没有把“江南更容易识别”简单归结为样本更多。作者专门做了长度控制，发现即便把每位诗人的文本长度统一，结果也基本稳定。这意味着模型不是靠“谁诗多谁占便宜”，而是真抓到了风格差异。这个控制很重要，不然结果就会变成：江南不是更像江南，只是因为江南诗多，模型读得更饱。那就尴尬了。
盛唐同化与晚唐分化：地域信号如何随时间变化？ 如果说空间能影响诗风，那时间当然也不会装作没看见。论文继续追问：地域信号是不是一直都一样强？答案是否定的。作者把唐诗按时代切开，发现南北差异在盛唐时期接近随机水平，而到了晚唐变得最明显。这个变化非常符合历史直觉：盛唐时期中央文化整合能力强，宫廷审美像一把大梳子，把很多地方风格都梳平了；晚唐则中央力量减弱，地方风格开始“冒头”。
这类结果最怕的就是“看起来像历史，其实是数据偏差”。所以作者又做了两个检查：一是控制文本长度，二是看不同年代的样本分布。结果显示，长度不是主因，时代和地域确实有相关性，但地域信号并没有被时代完全吞掉。也就是说，这不是“晚唐样本更少所以更容易分错”的那种低级戏码，而是真有风格变化。
更有戏剧感的是，论文发现早唐的误判几乎清一色是“南方诗人被判成北方诗人”，没有出现相反的大量错误。这个现象非常像历史上的文化吸附：早唐南方文人写作时，往往主动贴近北方和宫廷的主流话语，所以模型也把他们当成“北方口音”。这不是模型笨，恰恰说明模型把历史上的同化趋势读出来了。
模型犯错也包含深意：文学史意义的错误分析 这篇论文最有趣的地方之一，是它没有把错误当垃圾桶，而是把错误当证据。很多机器学习论文一看到误分类就开始摆手：“这个先别管，模型还在学。”但这里不一样，作者认真看了模型错在哪、为什么错，而且发现“错法”本身就很有历史解释力。
比如，中心区域常常互相混淆，不是因为模型眼神不好，而是因为这些地区在政治与文化上本来就高度接近；边缘地区更容易被识别，是因为它们保留了更多地方特色。再比如，南北差异在不同历史阶段强弱不一，说明地域风格不是静态标签，而是会被帝国结构、文化重心和文人流动不断改写的动态结果。
这里的相关系数约为0.40，显著性大概在0.09左右，严格说还不算“铁证如山”，但已经足够给出一个方向：地理越远，诗风越不一样。学术上，这种结果很像“有迹象但还需要更多样本”；文学史上，它已经足够让人开始重新审视“区域诗风”这个老话题了。
还有一个很值得点赞的点：作者没有把 transformer 说成万能钥匙。相反，实验结果告诉大家，在这种字符粒度、样本数量有限、且目标是风格统计的任务里，朴素的 TF-IDF 反而非常强。这个结论很重要，因为它提醒研究者：不是所有中文古典文本任务都需要把大模型请上神坛，有时“简单、可解释、便宜”才是最优解。
小结：可解释AI助力文学史研究 这篇论文的价值，不只是做出了一个“能猜出诗人来自哪儿”的分类器，而是证明了可解释机器学习可以成为文学史研究的好帮手。它能做的不是盖棺定论，而是提出问题：为什么江南更容易被识别？为什么盛唐更统一、晚唐更分化？为什么早唐的错误方向几乎总是南转北？这些问题，光靠直觉很难系统回答，但模型可以先把线索摆出来。
从方法上看，这篇论文也很克制：不用炫技式堆模型，而是把“字符统计 + 可解释特征 + 经典分类器”这套组合打磨得很认真。它告诉人们，研究古典中文文本时，最该优先考虑的往往不是模型越大越好，而是特征是否贴近文本结构、评价是否公平、结果是否能和历史背景对上。
如果把这项工作再往前推一步，未来可以继续做三件事：一是把地理粒度细化到更小行政区，看地域指纹是否更清晰；二是加入平仄、声韵等更贴近中古汉语的特征；三是把诗人与诗人之间的风格相似度做成网络，看看“地理相近”和“风格相近”到底是不是一回事。总之，唐诗不是只能背，还可以被计算、被比较、被重新理解。
龙迷三问 这篇论文到底解决了什么问题？
TF-IDF、GuwenBERT 这些词是什么意思？
为什么模型的“错判”也有价值？
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★☆☆ 这不是“发明一个新模型”的路线，而是把文学史问题做成了一个严谨、可解释的计算任务，角度新，方法稳，脑洞也够用。
实验合理度： ★★★★☆ 交叉验证、类别不平衡处理、长度控制、时代分层和误分类分析都做了，实验设计比较完整，结论也基本能互相印证。
学术研究价值： ★★★★☆ 对文学史、数字人文和可解释机器学习都有启发，尤其适合做“模型生成历史线索”的范例。
稳定性： ★★★☆☆ 作为学术分析工具很稳，但样本规模不大，标签也继承了历史数据库的噪声，离工业级部署还差得远。
适应性以及泛化能力： ★★★☆☆ 方法思路可迁移到别的古典文本，但是否有效要看文本长度、语言规范程度和标签质量。
硬件需求及成本： ★★★★☆ 以字符级特征和经典模型为主，成本不高；即便引入古文 transformer，也是在可控范围内。
复现难度： ★★★★☆ 数据与代码都给了，路径清楚，复现门槛不高；主要难点在于历史标签整理和文本清洗。
产品化成熟度： ★★☆☆☆ 更适合研究和教学场景，不太像能直接落地成产品的类型，但做数字人文工具很合适。
可能的问题： 样本偏小、标签噪声不可避免，距离衰减的显著性还不够强，后续最好补更多区域和更细粒度地理信息。
主要参考文献
[1] Harvard University, Academia Sinica, and Peking University. China Biographical Database (CBDB), 2024. [2] Yinhan Liu et al. RoBERTa: A Robustly Optimized BERT Pretraining Approach, 2019. [3] Nathan Mantel. The Detection of Disease Clustering and a Generalized Regression Approach, 1967. [4] F. Pedregosa et al. Scikit-learn: Machine Learning in Python, 2011. [5] Donald Sturgeon. The Chinese Text Project: A Dynamic Digital Library of Premodern Chinese, 2021. [6] Ethan Yan. GuwenBERT: A Pre-trained Language Model for Classical Chinese, 2020. *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥） ，根据格式备注，可更快被通过且邀请进群。
唐诗里藏着地域密码，AI也能看出个大概。想和龙哥一起继续拆解这种“看字识人”的有趣论文，来群里边聊边学～
