主题：【原创】关于西西河发帖和得花的一些统计与分析 -- Adol

这里用到的一些方法都是很普通很简单的东西，只不过之前没什么人用在论坛数据的分析上。其他论坛，大概也没有西西河这样的形式——有花、有所有帖和主题帖的回复关系等数据，有这样的数据，可能也不是公开的，或者很难收集。

所以本文中的一些方法，其实最适合论坛的管理员，在西西河就是老铁，来使用。他们不仅有更多更全的数据，也可以直接用于数据库的分析。并且，他们长期不断地监视着全论坛的情况，了解论坛的历史，拥有论坛的日志，可以对数据的分析结果做出更准确更全面的解释，我们任何一个人在论坛的时间、对论坛的了解都不可能超过管理员。所以如果是软件的开发，肯定是要依托论坛本身的程序，这个工作一定是由管理员或者论坛引擎的开发商完成的。

实际上我在2~4节所分析的东西，老铁应该是心里有数的，5~8节的部分，他可能不一定有时间、也不一定有足够的紧迫性去做，但原理是很容易的。就像在第7节说到的，对老铁来说，他可以用很多很多种手段来分析用户之间的相似或者关系，而不仅仅是我文中提到的共同参与话题的特征。

从另一角度讲，其实这对用户的隐私保护也提出了挑战，论坛的帖子总是要公开发布时间和所回复主题的，一贴两贴没关系，长期大量的数据，很容易看出某个用户的发帖习惯、擅长的话题，普通的用户限于能力当然不可能一个个去查，但是google和百度这样的搜索引擎所掌握的用户隐私，是难以想象的。不要说google和百度，就是论坛的管理员，如果辅以ip等数据和少量帖子内容，也可以知道很多。

甚至连我这篇文章里面的许多方法可能都不用，之前我还看到了几篇语言学和自然语言处理方面结合的论文，讲的是通过语言习惯来识别作者（authorship identification）。我猜测大概相当于我们读一篇文章感受到的写作风格，比如说老萨讲故事的口吻，忙总简洁利落的口吻，陈郢客MM的民国口吻，葡萄的长句和复杂从句，马前卒的超快节奏，等等等等。可能用到的特征，比方说逗号和句号的比例，段落的长度，句子的平均长度，特定的字、词出现的频率，语气助词、转折、递进等连词的频率和用法……，可以用来描述一个人写作风格的特征是很多的。

所以，互联网的匿名性，对我们普通人来说，真的没有那么好。像西西河这样，可以放心地呆下去，长期发言的论坛，恐怕也不多。

总之，大量数据的威力还是蛮强大的，不过，就像之前说的，我不想知道太多。我应该不会继续研究这些数据了，而且我也不会散布这些数据。

分析这些数据，大概用了一个月左右的时间吧，当然是业余时间，可能渐渐也不会有这么大块的空闲时间了。应该说，我还是挺认真地做了这些分析，写了这篇帖子，拿不准的地方、可能错误的地方，也有所标示。最后，还是请有发现其他问题的河友纠正我的错误或不足之处。

• 【原创】关于西西河发帖和得花的一些统计与分析
• 请移步