你知道“唐诗排行榜”哪首排第一？诗词大数据揭示的有趣现象

提起大数据，人们脑海中往往会浮现出自然科学、社会科学、商业经济等领域应用海量数据和复杂算法的场景，而不太会将其与凝聚着文学之美的古典诗词联系起来。仿佛诗词之美可以被感受、允许被讨论，但不能被计算。然而，无论是在学术研究中，还是出于阅读好奇，我们常会碰到这样的问题：

古代各朝有多少诗人？多少女诗人？唐人和宋人哪个更爱写格律诗？宋词有多少词牌？哪个词牌最受词人欢迎？《唐诗三百首》中谁的诗最多？李白与杜甫谁的影响大？唐人七律第一，该颁给崔颢的《黄鹤楼》还是杜甫的《登高》？周邦彦和姜夔谁的音乐水平更高？李白“一生好入名山游”，苏轼“身行万里半天下”，他们到底走了多少地方……

这些问题，有的需要统计数据来作答，有的看似属于艺术判断，实际也需要科学逻辑和数学思维来支撑，有的问题目的不在数量多寡而在具体内容。信息时代的数据思维，给我们认知古典诗词新辟了一扇窗。数据可以是量化的数值，也可以是非量化的信息。无论哪种数据，都有各自的价值和使用场景。

传统意义上的数据，指“有根据的数字”，比如靠样本统计获得的量化数据。一个时代或者一个地区的存诗总量、作家人数，或者一位作家的经行地方、创作的某体数量，或者一个选本的选人数量、作品数量，一个词牌的使用次数、使用人数，一首诗词在历代选本中的入选次数、被历代作家唱和的次数等，都属于量化数据。

量化数据可以在样本范围内准确描述研究对象的基本格局。以著名选本《唐诗三百首》为例，蘅塘退士从两千多位唐代诗人的五万多首唐诗中，精选出77家的312首诗分体编成。各体选诗数量为：五古32首、七古28首、五律80首、七律53首、五绝29首、七绝51首、乐府39首。从占比看，古体诗和格律诗的比例近乎一比二。其中五古选诗最多的是中唐诗人韦应物（7首），七古选诗最多的是杜甫和李颀（各5首），五律选诗最多的是杜甫（10首），王维和孟浩然次之（各9首），七律选诗最多的是杜甫（13首），李商隐次之（10首），五绝选诗最多的是王维（5首），七绝选诗最多的是杜牧和李商隐（各7首）。而李白入选的作品大多在乐府（12首）。从选人看，入选率最高的前四位是：杜甫39首、李白29首、王维29首、李商隐24首。可见盛唐诗人最受推崇。杜甫不仅是入选率最高的诗人，也是入选作品覆盖七种诗体的全能型诗人。而在唐代存诗量最多的诗人白居易仅6首作品入选。

这些数据，既能体现作家的创作特点和时代地位，也能反映选家的审美偏好和诗体观念。有的选本流传广远，甚至能够影响一代读者的诗词审美。如果将统计样本横向扩大到其他选本，可考察历代选本的选诗标准和变化特点；如果纵向聚焦某位诗人或相关诗作，还可考察诗人在不同时代的影响力和名篇的稳定性。

量化数据还能为难以公断的某些学术判断提供思路和科学支撑。以文学经典研究为例，“唐人七律第一”是个自古聚讼的话题，“李杜优劣论”也历史悠久。诚然，艺术审美是一种个性化、主观化的体验，很难为审美寻求一份标准，也不必建立这样的标准。但在学术研究中，可以通过“影响力研究”为经典作家和经典作品寻求一种评价方式。衡量一部影视作品的影响力，可以考察其获奖级别、评分情况、重播次数、相关活动等。衡量一首诗词的影响力，也可以通过一系列“指标”来分析，比如选本对于诗词的流传影响深远，评点也能体现诗词在专业领域的关注度，语文教材常常塑造着青少年的诗词印象，文学史则在很大程度上定位了作品的级别。指标有了，再选取一些合适的样本对指标量化，并结合计量科学的特点和文学研究的实际，对数据进行统计计算，就可以在比较客观的前提下得出相对理性的结果。数十年前，王兆鹏教授等专家学者的《寻找经典——唐诗百首名篇的定量分析》《影响的追寻：宋词名篇的定量分析》《唐诗排行榜》《宋词排行榜》等论著，就是基于影响力分析的计量研究成果。

例如在《唐诗排行榜》中，位列榜首的作品是崔颢《黄鹤楼》，这多少有点令人惊讶。再考察其各项指标，会发现这首诗在列入统计样本的33种古代选本中入选率最高，被历代诗论家品评的频次也最高，当代文学史更是无一漏收。可以说，是古今诗选家、诗论家以及文学史的编撰者共同的认可，将这首诗送至榜首。数据背后的信息，还能启发我们考察不同时期诗选家和诗论家对同一首诗歌的关注度，从而用历史性、阶段性的眼光来看待经典的形成过程。这种通过设定指标来量化分析研究对象的思维和做法，比主观好恶的感受更加科学、公允。

进入信息时代，“数据”的内涵也在扩大，而不仅指代“数字”。就诗词而言，还包括反映诗词某类属性的文本或信息，称之为属性数据。一首诗词的作者、标题、诗体、词体、题材、意象、时间、空间，一个作家的姓名、字号、郡望、籍贯、出生地、生卒年、家庭成员、朋友同僚、社会身份，甚至一首格律诗的韵字、对仗，一阕词的词牌、词格，都是诗词的属性数据。

属性数据可为量化数据提供计量基础。前文所述各类统计数值，如某种诗体的数量、某地作家的数量、某个词牌的使用次数等，都基于相关属性的先行标注。属性数据更大的价值在于，可以支撑主题丰富的学习或研究，拓宽诗词认知的边界。

以空间属性为例，诗词中存在各种各样的地名，包括诗词文本中的行政地名、景观地名、意象地名，以及作品的创作地、流传地，还有作家的籍贯地、出生地、任职地、行经地、谪居地、埋葬地等。比如杜甫《闻官军收河南河北》一诗，标题中的“河南”“河北”、诗句中的“剑外”“蓟北”“巴峡”“巫峡”“襄阳”“洛阳”、原诗自注“余家园在东京”中的“东京”等地名，加上这首诗的写作地点“四川省绵阳市三台县”，这些地名指示的地理位置，携带的历史信息，是理解这首作品诗意和作者情感的关键。

诗词中的地名信息，有的比较显而易见，有的需要深度挖掘，有的涉及到悬而未决的学术问题。但长期以来，文学研究中空间观念相对单薄，导致作家年谱的编撰和作品的编年笺注工作，大多重视时序的编排，比较忽略地点的落实。在文学审美中，地名也常被当作专有名词对待，而没有释放出蕴含的能量，发挥应有的作用。这与历史研究中的时空一体观，很不相称。基于这种状况，近年来王兆鹏教授主持的“唐宋文学编年地图”，将空间属性提高到和时间属性同等重要的地位，大量挖掘并标记作家及作品中的各类空间属性数据，并融合历史地理数据，运用GIS技术绘制了唐宋诗人的轨迹地图，实现了年谱的地图化、作品的空间化。

一串串地名，将苏轼从出生、科举、仕宦、贬谪到去世的人生连接成线，将他的诗词文赋、书画创作、平生交游、宦海沉浮，在地图上划出一条独特的东坡印迹。通过这条印迹，读者不仅可以浏览苏轼一生所有编年作品、大事小事，也能清楚指出“黄州惠州儋州”，更会对苏轼“身行万里半天下”、“九死南荒吾不恨”、“一蓑烟雨任平生”的诗句词句，产生别样体会。关注诗词中的空间信息和地名数据，可帮助读者充分了解作家、解读作品，读出背后的信息、情感、美感。

诗词中的地名隐藏着许多历史地理信息，了解这些信息既能辅助诗歌编年系地，还可锻炼读者严谨的科学思维和问题意识。例如，诗词中的古今地名问题。以李白《陪宋中丞武昌夜饮怀古》为例，标题中的“武昌”是个历史地名，想知道其确切所指，要查阅地理文献中“武昌”的地名演变。根据唐代李吉甫《元和郡县图志》和清代顾祖禹《读史方舆纪要》等文献可知，盛唐时期的“武昌”，仍指三国时期孙权改鄂县立武昌郡之“古武昌”，即今天湖北省鄂州市地区。而被今天武汉三镇之“武昌”所用，始于中唐元和年间设立“武昌军”。李白笔下的“武昌”，只能是今天湖北省鄂州市，而不是武汉市。那么盛唐诗人如何指称武汉呢？答案是“江夏”或者“夏口”。李白《江夏送友人》，王维《送康太守》中的“铙吹发夏口”，所指皆武汉。中唐以后，武昌地名两用，如诗人刘长卿的诗句“上下武昌城，长江竟何有”。宋人为作区分，有时仍以“夏口”古地名指称上游的“武昌”，如苏轼《赤壁赋》中“西望夏口，东望武昌”。关注诗词中的古今地名，可以拓展思维。

除了地名数据，诗词中的意象、物象、天象、气象、语典、事典、格律、音韵等数据，每一类都有独特内涵和意蕴，都可衍生出相关话题或研究。数据创新可以激发思维创新，这正是属性数据的巨大魅力。

人们常用大容量、多类型、获取速度快、真实性、非结构化等特点来描述大数据。但这些特点并不适用于所有领域，各个领域对“大”的定义并不相同。

诗词中的大数据，首先反映在数据的体量或容量上。以搜韵网所收古典诗词为例，目前已收录先秦以来古典诗词107万余首，如果完善明清两朝的作品，数量当突破两百万。仅从目前一百多万诗词作品中，就可提取出时间数据58万多条、地名数据近80万条、植物数据近40万条、官职数据约35万条、景观数据54万条、人物数据117万条，合计约四百万，这还不包括句例数据、词汇数据和字数据。尽管这些数据的体量与互联网经济领域动辄以“太字节”（2⁴⁰）计量的数据不可同日而语，但早已超出人的阅读极限和脑力手工的边界。

除了表面的“大容量”，诗词中的大数据，更体现在“大价值”上。诗词中的数据价值，一方面来自数据本身，包括数据精度高、粒度细。从前文所述类型丰富指称具体的地名数据可见一斑。再举对仗数据为例。由于律诗要求中间两联对仗，所以包含大量对仗词汇。计算机从39.3万首律诗和1.5万首排律中，可以获取单字、双字和三字对仗词汇约265万对。从这些数据中筛选出频率高的对仗词汇，并根据对仗的递推特点，可以从任何一个对仗词汇开始，逐级逐词呈现出一张纵横衍伸的对语链。下图是以“清风”为词根的对语链示意。这样的对语链，既能辅助古典诗词创作者参考古人诗句选取对仗词汇，也能辅助语言学者的相关研究。

诗词中的数据价值，另一方面来自于数据的交换、整合和分析。以唐宋诗人生平数据为例，其数据精度高、粒度小，但体量不算大，属于小而精的数据。但当这小数据与其他数据整合时却能产生大价值。比如与作品数据整合，能清晰呈现作家人生经历和文学创作的关系；与历史地理数据整合，能将作家的一生行踪在地图上加以呈现；与古代山川驿路等交通数据整合，则有双向的效果，既能为古代交通线路的考察提供重要信息，又能更加细化作家行迹路线；当作家的个人行迹数据在纵向上日益修订而完善，在横向上突破唐宋不断积累形成古今诗人行迹数据，叠加这些行迹还可折射不同时期中心文化城市的变迁现象。

无论是量化数据，还是属性数据，数据的本质都是信息。当用数据思维认知古典诗词，会发现数据存在之广、传达信息之多，远超想象。培养诗词阅读和诗词研究时的数据思维，锻炼数据敏感度，会读出更多的诗词风景。