企业官网建设流程全解析

1. 从一张人物关系图说起：这个实验到底在做什么

第一次看到“人物图谱分析”这几个字，很多人脑子里冒出来的可能是那种密密麻麻、线团一样的社交网络图，觉得这玩意儿离自己很远。其实说白了，它就是把你追剧时脑子里自动生成的那张“谁跟谁一伙、谁坑过谁、谁是谁的保护伞”的关系网，用数据和代码给画出来。我这次做的实验，选的是《人民的名义》这部剧作为分析对象，原因很简单：人物多、关系杂、派系清晰，而且每个人物之间的利益纠葛足够典型，特别适合拿来练手。

这个实验的核心目标，是构建一个能够自动抽取人物、识别关系、并可视化呈现的完整流程。它解决的问题是：当文本量巨大、人物关系错综复杂时，人脑记不住也理不清，但机器可以帮你把结构化的关系网络提取出来。适合谁来参考？我觉得有三类人最值得看：一是刚接触自然语言处理和知识图谱的学生，想找一个有真实语料、又不至于太枯燥的入门项目；二是做内容安全、舆情分析方向的朋友，人物关系网络本身就是内容分析的一个重要维度；三是对数据可视化感兴趣的开发者，想看看怎么把一堆人名和关系变成一张能交互的图。

我整个实验的输入是一份整理好的剧本对话文本，输出是一张包含人物节点和关系边的图谱，外加一份关系强度统计表。中间涉及的技术点包括中文分词、命名实体识别、关系抽取、共现分析、图结构构建和可视化渲染。听起来好像挺唬人，但拆开来看，每一步都有成熟的工具和套路，关键是你要知道在哪个环节该用什么方法，以及哪些坑是前人踩过的。

提示：这个实验的定位是“教学级+可复现”，不追求工业级精度，但要求每一步都能解释清楚为什么这么做。如果你是想直接拿去做生产环境的关系抽取，那还需要在标注数据和模型微调上投入更多。

2. 整体设计思路：为什么这么拆、这么选

2.1 从文本到图谱的四个阶段

我把整个实验拆成了四个阶段，每个阶段解决一个明确的问题。第一阶段是语料预处理，把原始剧本文本清洗成适合分析的格式；第二阶段是人物识别与别名归并，把“侯亮平”“侯局长”“亮平”这些指代统一到同一个实体上；第三阶段是关系抽取与强度计算，判断两个人之间是否存在关系以及关系有多强；第四阶段是图谱构建与可视化，把结果渲染成可交互的图。

为什么要这么拆？因为如果一上来就想端到端地跑一个模型，出了问题你根本不知道是分词错了、实体识别漏了、还是关系判断偏了。分阶段的好处是每一层都可以单独验证和调试。比如你在第二阶段发现“高育良”和“高书记”没有被归并，那你就知道是别名表没覆盖到，而不是去怀疑关系抽取模型有问题。

2.2 为什么选共现分析而不是深度模型

关系抽取的方法有很多，从最简单的共现分析到基于预训练模型的远程监督，精度差距可以很大。我这次选的是基于滑动窗口的共现分析作为主要方法，辅以规则模板做补充。原因有三个：第一，剧本对话文本的结构比较规整，人物对话的交替出现本身就隐含了关系信息，共现分析在这种场景下性价比很高；第二，深度模型需要标注数据，而我没有足够的时间和资源去标一份高质量的剧本关系数据集；第三，共现分析的结果可解释性强，每一对人物的关系强度都能追溯到具体的共现次数和窗口设置，方便教学演示。

当然，共现分析有它的局限。它只能捕捉“同时出现”这种浅层关系，无法区分“朋友”和“敌人”。比如侯亮平和祁同伟在剧中多次同框，共现次数很高，但他们的关系是对抗性的。这个问题我是通过后续的情感倾向标注来部分解决的，具体做法在第四节会展开。

2.3 工具选型：为什么是这些库

在工具选择上，我遵循一个原则：能用成熟库就不自己造轮子，但关键环节要能手动干预。分词用的是jieba，因为它对中文的支持足够好，而且可以自定义词典，方便我把剧中人名加进去。实体识别没有用现成的NER模型，而是采用了“自定义词典+规则匹配”的方式，原因是剧中人名相对固定，用词典匹配的召回率反而比通用模型更高，而且不会把“人民”误识别成人名。

图结构构建用的是NetworkX，这个库的API设计很直观，加节点、加边、计算中心性都是一行代码的事。可视化用的是Pyecharts，因为它生成的图是交互式的，鼠标悬停能看到节点详情，拖拽能调整布局，比静态的Matplotlib图更适合展示关系网络。整个实验的代码量大概在400行左右，其中预处理占了将近一半，真正核心的图谱构建和可视化部分反而很精简。

注意：工具选型没有绝对的对错，关键是匹配你的数据特点和展示需求。如果你的文本是社交媒体短文本，那共现窗口可能要调小；如果是长篇小说，窗口可以适当放大。

3. 核心细节解析：从人名到关系边的每一步

3.1 语料清洗：把剧本变成一行行干净的对话

原始剧本文本的格式通常是“人物名：对话内容”这样的结构，但实际拿到的文本往往夹杂着场景描述、旁白、舞台指示等内容。我的清洗策略是：先用正则表达式匹配“人名+冒号”的模式，把对话行提取出来；然后去掉括号内的舞台指示，比如“（冷笑）”“（转身离开）”；最后把连续的空行和特殊符号清理掉。

这一步看起来简单，但有个细节很容易被忽略：冒号的全角和半角问题。中文剧本里经常混用“：”和“:”，如果你的正则只匹配一种，就会漏掉大量对话行。我的做法是统一替换成全角冒号后再匹配。另外，有些剧本会用“人物名 对话内容”这种用空格分隔的格式，那就需要另一套匹配规则。我在代码里做了一个简单的格式探测，根据前100行的模式自动判断用哪种分隔符。

清洗完之后，每一行就是一条“人物-对话”记录。我统计了一下，整部剧的有效对话行大概在3000条左右，涉及的主要人物有20多个。这个量级对于共现分析来说刚刚好，既不会太少导致统计不显著，也不会太多导致计算量爆炸。

3.2 别名归并：为什么“侯局长”和“侯亮平”必须合并

这是整个实验里最容易被低估、但实际影响最大的一个环节。剧中人物经常用职务、昵称、简称来指代，比如“侯亮平”可能被叫“侯局长”“亮平”“猴子”，“高育良”可能被叫“高书记”“育良”“高老师”。如果你不做别名归并，那图谱里就会出现一堆实际上指向同一个人的节点，关系网络会变得极其稀疏和混乱。

我的做法是构建一个别名映射表，手动整理每个主要人物的所有指代形式。这个表不是拍脑袋写的，而是通过以下步骤生成的：先跑一遍分词和词频统计，把所有高频的人名候选词列出来；然后人工浏览一遍，把明显指向同一人的词归到一组；最后用一个小脚本验证归并前后的节点数量和边数量变化。实测下来，不做归并的话，节点数会多出将近40%，而边数会少掉一半以上，因为关系被分散到了不同的别名节点上。

实操心得：别名表不需要一次性做到完美，可以先覆盖高频人物，低频人物后续迭代补充。我第一版只归并了前10个主要人物，就已经能看出清晰的派系结构了。

3.3 共现窗口：多大才合适

共现分析的核心参数是窗口大小。窗口太小，很多真实关系捕捉不到；窗口太大，又会引入大量噪声。我的设定是：以对话行数为单位，窗口大小为5，也就是说如果两个人物在连续5行对话内都出现了，就算一次共现。

为什么是5？我是这么算的：剧本对话通常是A说一句、B回一句、A再说一句，这样一个来回大概3到4行。如果窗口设为3，那只能捕捉到直接对话的两个人；设为5的话，可以覆盖到“A说话、B回应、C插话”这种三人场景，把间接关系也纳入进来。我试过窗口设为10，结果发现很多实际上没有直接交集的人物也被连上了边，图谱变得过于稠密，反而看不清结构。

当然，窗口大小不是固定的，你可以根据文本的对话密度来调整。一个简单的判断方法是：统计一下平均每对人物之间的对话间隔行数，如果大部分关系的间隔都在3行以内，那窗口设5就够了；如果间隔普遍较大，那可能需要适当放大。

3.4 关系强度计算：共现次数只是起点

共现次数是最基础的关系强度指标，但它有个问题：高频人物的共现次数天然就高，比如侯亮平几乎和所有人都同框过，那他和每个人的关系强度都很高，这显然不符合实际。所以我引入了归一化处理，具体公式是：

关系强度 = 共现次数 / sqrt(人物A的总出现次数 × 人物B的总出现次数)

这个公式借鉴了TF-IDF的思路，核心目的是降低高频人物的权重。举个例子，假设侯亮平和祁同伟共现了50次，侯亮平总出现200次，祁同伟总出现100次，那归一化后的强度是50 / sqrt(200×100) ≈ 0.35。而侯亮平和陈海的共现次数可能只有30次，但陈海总出现次数只有60次，归一化后是30 / sqrt(200×60) ≈ 0.27。这样就能区分出“虽然共现次数少但关系更紧密”的情况。

除了共现强度，我还加了一个情感倾向维度。具体做法是：对每对人物的共现对话进行情感分析，判断对话是正向、负向还是中性。这里我用的是一个简单的词典方法，正向词如“支持”“信任”“配合”，负向词如“怀疑”“对抗”“调查”。最终每条边会带上一个情感标签，这样在图谱上就能用不同颜色区分“盟友关系”和“对抗关系”。

4. 实操过程：从零跑通整个流程

4.1 环境准备与依赖安装

整个实验基于Python 3.9，主要依赖以下几个库：

pip install jieba networkx pyecharts pandas numpy

jieba用于分词，networkx用于图结构构建，pyecharts用于可视化，pandas和numpy用于数据处理。版本方面没有特别严格的要求，但建议pyecharts用1.x以上的版本，因为0.x的API差异比较大。

如果你是在Jupyter Notebook里跑，建议把pyecharts的渲染模式设为notebook，这样图可以直接嵌在页面里。如果是在脚本里跑，那就渲染成HTML文件，用浏览器打开。

4.2 语料清洗与对话提取

先定义一个函数，把原始文本读进来，按行处理：

import re def clean_script(text): lines = text.split('\n') dialogues = [] for line in lines: line = line.strip() if not line: continue # 统一冒号 line = line.replace(':', '：') # 匹配“人名：对话”模式 match = re.match(r'^([\u4e00-\u9fa5]{2,4})：(.*)$', line) if match: name = match.group(1) content = match.group(2) # 去掉括号内的舞台指示 content = re.sub(r'（[^）]*）', '', content) content = re.sub(r'\([^)]*\)', '', content) if content.strip(): dialogues.append((name, content.strip())) return dialogues

这个函数的核心是那个正则表达式：^([\u4e00-\u9fa5]{2,4})：(.*)$。它匹配的是“2到4个中文字符+全角冒号+任意内容”的模式。为什么限定2到4个字？因为中文人名大多在这个长度范围内，太短容易误匹配，太长又可能把“某某局局长”这种职务+姓名的组合漏掉。实际跑下来，这个正则的准确率在95%以上，漏掉的主要是一些用空格分隔的对话行，我后续用补充规则处理了。

4.3 人物识别与别名归并

清洗完之后，我统计了一下所有出现的人名及其频次，然后手动构建别名映射表：

alias_map = { '侯亮平': ['侯局长', '亮平', '猴子'], '高育良': ['高书记', '育良', '高老师'], '祁同伟': ['祁厅长', '同伟', '祁局'], '李达康': ['达康书记', '李书记', '达康'], # ... 其他人物 } def normalize_name(name, alias_map): for standard, aliases in alias_map.items(): if name == standard or name in aliases: return standard return name

这个映射表是整个实验里最需要人工投入的部分，但也是最值得的。我建议你在构建映射表的时候，先把所有出现频次大于5的人名列出来，然后逐个判断是否需要归并。频次太低的人名可能是路人角色，归并的收益不大。

4.4 共现矩阵计算

有了标准化的人名和对话序列之后，就可以计算共现矩阵了：

from collections import defaultdict def compute_cooccurrence(dialogues, window_size=5): cooc = defaultdict(int) appear_count = defaultdict(int) for i, (name, _) in enumerate(dialogues): appear_count[name] += 1 # 向前看window_size行 for j in range(max(0, i - window_size), i): other_name = dialogues[j][0] if other_name != name: pair = tuple(sorted([name, other_name])) cooc[pair] += 1 return cooc, appear_count

这段代码的逻辑是：对于每一行对话，回头看前window_size行，如果出现了不同的人物，就记一次共现。用sorted保证(A,B)和(B,A)被算作同一对。跑完之后你会得到一个字典，键是人物对，值是共现次数。

4.5 关系强度归一化与情感标注

拿到共现次数之后，用前面说的公式做归一化：

import math def normalize_strength(cooc, appear_count): strengths = {} for (a, b), count in cooc.items(): strength = count / math.sqrt(appear_count[a] * appear_count[b]) strengths[(a, b)] = strength return strengths

情感标注我用了一个简单的词典匹配方法：

positive_words = ['支持', '信任', '配合', '帮助', '保护', '推荐'] negative_words = ['怀疑', '调查', '对抗', '举报', '抓捕', '审讯'] def sentiment_score(dialogues, name_a, name_b, window_size=5): pos, neg = 0, 0 for i, (name, content) in enumerate(dialogues): if name not in (name_a, name_b): continue # 检查窗口内是否有另一个人 window_names = [dialogues[j][0] for j in range(max(0, i-window_size), min(len(dialogues), i+window_size+1))] if name_a in window_names and name_b in window_names: for w in positive_words: if w in content: pos += 1 for w in negative_words: if w in content: neg += 1 if pos + neg == 0: return 'neutral' return 'positive' if pos > neg else 'negative'

这个方法比较粗糙，但对于剧本这种对话情感比较外显的文本来说，效果已经够用了。实测下来，主要人物之间的情感倾向判断准确率大概在70%左右，主要的误判集中在反讽和隐晦表达上。

4.6 图谱构建与可视化渲染

最后一步是把结果喂给NetworkX和Pyecharts：

import networkx as nx from pyecharts import options as opts from pyecharts.charts import Graph def build_graph(strengths, sentiments, threshold=0.1): G = nx.Graph() for (a, b), strength in strengths.items(): if strength < threshold: continue sentiment = sentiments.get((a, b), 'neutral') G.add_edge(a, b, weight=strength, sentiment=sentiment) return G def render_graph(G): nodes = [{"name": n, "symbolSize": G.degree(n) * 3} for n in G.nodes()] links = [] for u, v, data in G.edges(data=True): color = {'positive': '#2ecc71', 'negative': '#e74c3c', 'neutral': '#95a5a6'}[data['sentiment']] links.append({"source": u, "target": v, "lineStyle": {"color": color, "width": data['weight'] * 10}}) graph = Graph() graph.add("", nodes, links, layout="force", is_rotate_label=True) graph.set_global_opts(title_opts=opts.TitleOpts(title="人物关系图谱")) return graph

这里有个细节：symbolSize我设成了节点度数的3倍，这样核心人物会显示得更大，视觉上一眼就能看出谁是中心。边的宽度和关系强度成正比，颜色区分情感倾向。阈值设0.1是为了过滤掉那些非常弱的共现关系，避免图谱过于杂乱。

5. 常见问题与排查技巧实录

5.1 人名识别漏掉了怎么办

这是最常见的问题。我第一遍跑的时候，发现“陈海”只出现了几次，明显不对。排查后发现，剧本里大量使用了“陈局长”这个称呼，而我的别名表里没有收录。解决办法是：先跑一遍词频统计，把所有包含“局长”“书记”“厅长”“处长”等职务后缀的词列出来，然后人工判断哪些是指向已知人物的。这个步骤建议迭代两到三次，基本上能把主要人物的漏识别率降到5%以下。

5.2 共现矩阵过于稀疏或稠密

窗口大小设得不对，会导致图谱要么太稀疏（看不出结构），要么太稠密（全是线）。我的经验是：先统计一下所有人物对的共现次数分布，如果大部分人物对的共现次数都是0或1，那说明窗口太小；如果平均每对人物都有几十次共现，那说明窗口太大。理想的状态是：主要人物之间的共现次数在10到100之间，次要人物之间在1到10之间。

5.3 情感标注误判怎么修正

词典方法的误判主要集中在两类：一是反讽，比如“你可真是个好领导”实际是贬义，但词典会判为正向；二是隐晦表达，比如“这件事我会处理”可能暗示对抗，但词典捕捉不到。修正方法是：对误判样本进行人工标注，然后补充到词典里。如果误判量很大，那就需要考虑用预训练的情感分类模型来替代词典方法。

5.4 可视化图太乱看不清

Pyecharts的力导向布局有时候会把节点挤在一起，尤其是当节点数量超过30个的时候。我的解决办法是：第一，设置合理的阈值，过滤掉弱关系边；第二，调整力导向参数，比如增大斥力系数，让节点散开；第三，如果还是太乱，那就分派系渲染，比如把“汉大帮”和“秘书帮”分成两个子图分别展示。

5.5 常见问题速查表

避坑技巧：在调参阶段，建议把中间结果都保存成CSV文件，这样你可以随时用Excel或Pandas做交叉验证，不用每次都重新跑一遍全流程。

6. 这个实验还能怎么扩展

跑完基础版本之后，我试了几个扩展方向，觉得挺有意思。第一个是时间维度，把对话按剧情阶段切分，看人物关系在不同阶段的变化。比如侯亮平和祁同伟的关系，在前期是合作，中期是试探，后期是对抗，如果加上时间轴，图谱就能动起来。第二个是派系检测，用社区发现算法自动识别图谱中的紧密群体，看看机器划分的派系和人工理解的派系是否一致。第三个是对话主题标注，把每段对话归类到“案件调查”“人事任命”“家庭生活”等主题上，然后看不同主题下的人物关系差异。

这些扩展不需要推翻现有的流程，只需要在现有结果上叠加分析维度。比如时间维度，就是在共现计算的时候加一个时间窗口的过滤条件；派系检测，就是调一下NetworkX的社区发现函数。如果你把这个实验当作一个教学项目来练手，我建议先把基础版本跑通，然后再逐个尝试扩展，这样每一步都有明确的对比基准。

我个人在实际操作中的体会是，人物图谱分析这个方向，技术门槛其实不高，真正的难点在于对文本的理解和对关系的判断。工具和代码都是现成的，但哪些关系值得关注、哪些别名需要归并、哪些情感倾向需要修正，这些都需要你对分析对象有足够的了解。换句话说，机器帮你画图，但图背后的故事，还是得你自己去读。