您好!欢迎光临这里是您的网站名称,我们竭诚为您服务!
定制咨询热线078-344512442
您的位置:主页 > 工程案例 > 案例展示一 >
联系我们

ror体育岗亭有限公司

邮 箱:admin@tjgcys.com
手 机:12086895778
电 话:078-344512442
地 址:湖南省怀化市泰兴市高达大楼3492号

盘算美学百篇论文大综述:如何从另一个角度明白美

发布时间:2021-11-23 01:57:02人气:
本文摘要:​导语对于艺术、美学的定量研究是跨学科研究的代表。最近物理学家 Matjaž Perc 在英国皇家学会 Interface 期刊揭晓了一篇综述,梳理了近年来上百项使用网络科学和物理学方法对烹饪、视觉、音乐、文学这四类艺术体现形式美的研究。我们对这篇论文做了全文翻译,希从庞大性科学的角度,和你一起探讨对艺术的明白。 美究竟是什么?是主观体验,还是客观属性?这个问题在哲学和美学中曾经恒久争论不休。

ror体育官网

​导语对于艺术、美学的定量研究是跨学科研究的代表。最近物理学家 Matjaž Perc 在英国皇家学会 Interface 期刊揭晓了一篇综述,梳理了近年来上百项使用网络科学和物理学方法对烹饪、视觉、音乐、文学这四类艺术体现形式美的研究。我们对这篇论文做了全文翻译,希从庞大性科学的角度,和你一起探讨对艺术的明白。

美究竟是什么?是主观体验,还是客观属性?这个问题在哲学和美学中曾经恒久争论不休。只管古希腊柏拉图在《大希庇阿斯篇》就曾讨论过美,区分了“美的事物”和“美自己”,然而最终却没有给出满足的谜底,以“美是难的”竣事了对话。

就如评论家常用“高尚的单纯”与“静穆的伟大”形容古希腊艺术,同时兼具沉静与激情特性一样,在美中我们确实能看到蕴含了许多矛盾的因素。哲学家雷恩 (Michael Wreen)曾对此评价:美表达了有限的、形式中可感知的工具,以及无限的、逾越形式的工具,联络着可测度的工具与不行测度的工具,联络着人的世界与自然和神灵。拉奥孔:动与静完美的联合。

回复自古希腊的群雕“拉奥孔与儿子们”,兼具和谐与扭曲之美,作为古典雕像却在从美学生长看,虽然美学首创人鲍姆嘉通将美学界说为“感性认识的学科”,然而他却着重考察艺术,今后美学徐徐限定成艺术哲学。厥后的美学研究也往往注重审美主体的态度、价值与履历,缺乏对客观审美工具的研究和方法。彷徨于主体领域,这就导致了自维特根斯坦起二十世纪生长的分析美学(Analytic Aesthetics)爽性认为对美界说是不行能的,美国艺术哲学家丹托(Arthur C. Danto)更是直言提出了著名“艺术终结论”。

直到二十世纪其他学科和方法的生长,好比心理学、社会学、神经科学与盘算科学引入,才为客观研究美学、为再起古希腊美学看法之一的“美在比例”提供了新的基础,这其中最具代表性的就是神经美学(Neuroesthetics)与盘算美学(Computational Aesthetics)。神经美学注重从审美知觉与明白方面研究审美主体,盘算美学则集中研究审美工具的种种量化关系。对后者,尤其是统计物理学和网络科学近些年生长的方法,以及大数据的搜集探索,可以用来量化和更好地明白究竟是什么唤起了让人们愉悦的对美的感受。

最近揭晓的一篇论文综述,详细梳理了从统计物理和网络科学研究对美学研究情况,是现在为止对盘算美学最为详尽的总结:论文题目:Beauty in artistic expressions through the eyes of networks and physics论文地址:https://royalsocietypublishing.org/doi/10.1098/rsif.2019.0686该论文回首了现有文献,特别是对烹饪、视觉、音乐和文学艺术的研究,先容了包罗艺术绘画的熵庞大性,饮食风味网络的缔造和食物配对的原理等一系列精彩的研究。此外还探讨了文化史和文化组学(culturomics),以及物理学和社会科学之间的联系等。以下为论文全文翻译:目录一、从社会物理学到盘算美学二、烹饪艺术三、视觉艺术四、音乐艺术五、文学艺术六、总结与展望一、从社会物理学到盘算美学在已往十年里,数据科学已经成为科研领域的新的热点,这一被《哈佛商业评论》称为“21世纪最性感的事情”,以数据维度的富厚性和天天海量数据的增长速度[1],使用数学、物理、盘算机科学、信息科学,固然另有统计学的方法和技术,以及可视化技术的生动出现,逾越了各学科界线发挥协同作用,为社会科学和自然科学之间的架起一座桥梁。

若从历史生长看,自然科学,尤其物理科学和社会科学之间的协同作用已经存在了几个世纪。早在十七世纪,托马斯·霍布斯就把他的国家理论建设在运动定律的基础上,特别是惯性定律;然后才由同时代的伽利略在物理上推导出来。

亚当·斯密在18世纪下半叶提出的“看不见的手”与现在著名的经济与社会自我组织[18,19]观点惊人地相似,在其时被认为和万有引力定律一样可靠[20]。而在十九世纪,不停生长的物理学理论将物质视为原子和分子的庞大荟萃,启发了人们对社会的统计学,包罗可预测的平均值的看法。

法国政治经济理论家亨利·德·圣西蒙(Henri de Saint-Simon)更是切实提出,社会可以用类似于物理学中的纪律来形貌。正如气体中分子的随机运动发生了数学形式简朴的气体定律一样,人们认为社会也可以用类似团体可预测性的方式来形貌。

因此,正如菲利普·鲍尔(Philip Ball)指出那样[21],早期社会学就在凭据一种隐含的信念来建构,即存在着一种“社会的物理学”,只管至今大部门还在星空深处。直到如今拥有了大数据以及种种盘算方法,人们才可能逾越古典社会学诸多隐含假设,直接对人类团体行为举行研究,就像对物质粒子举行研究一样[2]。类似统计物理学的方法被大量应用到诸如交通[3]、犯罪[4]、盛行病[5]、疫苗接种[6]、互助[7]、气候怠懈[8],以及抗生素的过分使用[9]和道品德为[10]等课题中。总之,在统计学和盘算物理学的进步、数据的可获得性以及网络科学[13-16]与盘算社会科学[17]等相关研究领域的推动下,一种社会系统物理学,社会物理[11]或曰社会物理学(sociophysics)[12]——无论其名称如何,在已往二十年里都保持了极好的增长势头。

固然,对人类社会的中可测现象举行研究和数学化形貌是一回事,对艺术来说,试图做同样的事情又是另一回事。正如意识现象的神秘莫测一样,艺术中,可能也有一些工具是科学理性永远无法触及的。

然而只管如此,有些地方我们很可能永远无法明白,但还是有许多研究者试图弥合这一鸿沟,并乐成地取得了让科学和艺术都感应满足的效果。这条研究门路中最具代表性的就是盘算美学[22],其思想泉源早在20世纪上半叶就已经降生。其时美国数学家 George D. Birkhoff 提出,秩序与庞大度之间的比值作可以作为一种美学怀抱[23]。因此,盘算美学的主要任务就是生长新的科学方法来量化美,并建设人类审美感知的模型[24],只管此外它也影响着盘算机生成式艺术(computer-generated art)。

这里举一个介于社会和艺术之间的研究案例:艺术引发的人类团体行为——重金属音乐。Silverberg 等[25]研究了人类在重金属音乐会上的团体运动,讲明这种社交聚会会发生极端的行为,类似无序的气体状或有序的漩涡。

如图1所示,这两类出现的所谓“迷雾坑”(mosh pit)和“圆坑”(circle pit)之间的差异可以在群体模拟中精准重现,从而证明纵然是相对很是简朴的数学模型也能准确形貌人类团体行为的本质。图1.重金属音乐会上的人群流动。

左边图为“迷雾坑”,右边为“圆坑”。在接下来的研究综述中,我们回首了专门针对烹饪艺术、视觉艺术、音乐艺术以及文学艺术的研究。在适当章节还探讨了文化史[26,27]和文化组学[28],并形貌了物理学与社会科学之间的联系。最后,我们对研究回首举行了总结,并对未来的研究举行了展望。

二、烹饪艺术烹饪是否是一门艺术另有些争议。或许在麦当劳拼装一个汉堡包,更多的是自动化流程,但为自己家人亲手打造一道鲜味佳肴可以说是一门艺术,(译者注:正如“西厨之王”奥古斯特·埃科菲(Georges Auguste Escoffier)以一己之力将烹饪提升到了艺术的境界一样)。

不外显然,烹饪纵然作为艺术,也主要与食材准备与烹饪历程有关,和物理、网络又有什么关系?约莫八年前,Ahn 等人[29]揭晓了一篇论文,引入了风味网络来展现食物搭配的基本原理,效果如图2所示。他们从诸如 cookpad.com 和 foodpairing.com 等美食网站获得大量食物搭配信息,以数据驱动方法为系统明白烹饪艺术开发了新门路。图2. 美食风味网络。每个节点代表一种食材,颜色代表所归属食物种类。

这些研究讲明,北美和西欧的菜谱有一个显著的统计趋势,即在配方上会共享相同风味的化合物身分。相比之下,东亚和南欧的共享身分则要少得多。

反之亦然,两种食材共享的身分越多,它们泛起在北美食谱中的可能性就越大,而在东亚菜肴中泛起的可能性就越小。在探索这些差异机制时,Ahn等人[29]发现,美食风味搭配效应的发生是由于在某一特定菜肴中经常使用的几种身分造成的。例如,北美的牛奶、黄油、可可、香草、奶油和鸡蛋,东亚的牛肉、姜、猪肉、辣椒、鸡肉和洋葱。

这些发现与众所周知的“风味原理”[30]相呼应,凭据这一原则,地方菜只有少数几种关键配料,好比亚洲的酱油或匈牙利的辣椒与洋葱。在风味网络研究之前,Kinouchi 等人[31]就已经通过取自巴西的 Dona Benta、英国的 New Penguin Cookery Book《新企鹅烹饪书》、法国的 Larousse Gastronomique 和中世纪的 Pleyn Delit 等书对食材和食谱举行了统计。他们视察到食材的普遍漫衍具有尺度稳定量行为,这促使人们建设了一个类似于网络中增长和偏好依附的数学模型[32],简而言之即所谓马太效应[33]。烹饪进化的复制-突变模型(copy-mutate model)[31]也被证明很好地拟合了履历数据。

作者们还认为,这个模型讲明了一种进化动力学控制着几个世纪以来食谱的进化,在这种进化中,一些特异性身分以类似于生物学中的奠基者效应的方式被生存了下来[34]。近年来,随着烹饪艺术研究的不停深入,人们开始运用网络科学、物理学等相关学科的方法对烹饪艺术举行研究。例如,Teng 等人[35]展示了如何革新基于身分网络的食谱推荐。他们的研究讲明,食谱评级可以很好地预测身分网络和营养信息的特点。

食物桥接假说(food-bridging hypothesis)被提出:假设两种身分没有共享一种很强的分子或具有履历亲和力,他们可能通过一系列成对的亲缘链攀亲[36]。这与食物搭配假说(food-pairing hypothesis)[29]一道,可以区分出四类差别烹饪:东亚菜系倾向于制止食物搭配和食物桥接,拉美菜系倾向于包罗食物搭配和食物桥接,东南亚菜系倾向于制止食物搭配但包罗食物桥接,西方烹饪倾向于包罗食物搭配但制止食物桥接[36]。

除此之外,这方面另有一些较小规模的研究事情。例如,关注阿拉伯美食,研究它是否切合食物搭配假说[37]。对中世纪欧洲美食[38]研究也涉及了风味配对,包罗历史风味演变。

作者特别关注数据不完全和错误的作用,为此使用了两个差别清洁度的独立化合物数据集,讲明它们给出了与中世纪欧洲风味配对假说相矛盾的结论。当许多新的配料突然泛起时,对烹饪艺术的生长可能会泛起一些预测,这些推论也被提出来讨论。例如中国地方菜系地理位置与气候相似性的关系,研究讲明,决议中国地方菜肴相似性的关键因素是地理上的靠近,而不是气候上的相似。

凭据 Kinouchi 等人[31]烹饪进化的复制-突变模型,类似的模型也被专门用于研究差别的印度菜肴[40]。作者们认为,除了已确定的各地域之间的异同之外,在风味的化合物水平上对这些模型举行比力,可能会开发一条通往分子水平研究的门路,将特定身分与糖尿病等非感染性疾病联系起来。除了对地理和时代的兴趣之外,烹饪艺术和更硬的科学联合,也发生了类似《告诉我你吃什么,就知道你从那里来:基于一种网络全球食谱的数据科学方法》(Tell me what you eat, and I will tell you where you come from: A data science approach for global recipe data on the web)这样的研究。正如标题所示,它催生了食物盘算[42] ,从差别泉源获取和分析种种食物数据,用于食物的感知、识别、检索、推荐和监测。

这些盘算方法,可以应用于解决食品相关的问题,在医学,生物学,美食学和农学等领域。基于一个大型在线食谱平台的服务器日志数据,研究者还探索了网络上的食物偏好[43]。

研究讲明,食谱偏幸亏一定水平上是由食材驱动的,食谱偏好漫衍比食材偏好漫衍体现出了更多的地域差异,事情日的偏好与周末的偏好也显着差别。凭据类似思路,研究人员还通过推特(twitter)[44]以及网络日志使用情况研究了网民的食物消费和饮食模式,得出了“你吃什么就推什么”(you tweet what you eat)的结论[45]。最后我们以一本今世书籍《人人都吃》( Everyone Eats)[45]来竣事这一部门探讨。该书探讨了我们为什么吃我们所吃的,为什么有些人喜欢香料、糖果和咖啡,为什么大米会成为东亚许多地方的主食。

这本书聚焦于我们选择食物的社会和文化原因,可能是逾越物理和网络、进一步探索饮食这个迷人主题的好辅佐。三、视觉艺术自然界常见的模式通常是漂亮而迷人的[47],模式形成的研究也广泛在物理学、化学和生物学中展开着,其中包罗有序和无序结构如何举行量化[48–54]。

事实上,自从人工智能之父艾伦·图灵对形态发生的化学基础举行开创性的研究以来,这个课题就一直在科学上活跃着并广泛受到关注[55]。因此豪不奇怪,物理学中用来量化研究模式的许多方法都可以用来研究艺术,有的甚至险些不需任何修改。

只不外一直以来,研究者面临的瓶颈是如何将视觉艺术转化为高质量的数字形式,尤其是对大量的美术作品。但自从有了 wikiart.org,这一问题获得了完美的解决,它为使用物理方法大规模分析艺术的铺平了门路。熵-庞大性:艺术历史与艺术气势派头之树基于大量数字影像数据,Sigaki 等人[56]通过熵和庞大性视角研究了艺术绘画的历史。

包罗近14万幅跨越近一千年艺术史的画作被纳入研究。效果很有趣,“庞大性-熵”平面(complexity-entropy plane)能很好反映了艺术史中的传统观点,如 Wölfflin 对美术线绘与涂绘的双重观点,Riegl 对有关触觉与光学的二分法[57,58]等。线绘艺术作品(linear artworks)由清晰和明白的形状组成,而涂绘艺术品(painterly artworks)则通过融合图像边缘通报流动性的理念,轮廓往往模糊不清。

类似地,触觉艺术品(haptic artworks)将物体描绘成有形的离散实体,被区分和限制,而光学艺术品(optic artworks)则通过使用光、色和阴影效果等缔造开放空间中一连体,将物体描绘成在深层空间中相互关联的整体。对以上特性与庞大性和熵联系起来,可以看出,线绘/触觉艺术作品可以形貌为小的熵值H和较大的庞大性值C,而涂绘/光学艺术作品则预期会发生较大的熵值和较小的庞大性值。通过日期对图像举行分组后取H和C的平均值,Sigaki 等人[56]做了量化艺术品在历史上的演变的研究。图3:量化艺术品在艺术史中的演变。

形貌了对应于给定时段内熵H和统计庞大度C的平均值随时间的演变。图3效果显示,在9世纪和17世纪之间创作的艺术品,平均来说比在19世纪和20世纪中期创作的艺术品更具有秩序。但有趣的是,在1950年后发生的艺术品,却比前两个时期的艺术品更规则有序。

进一步可以视察到,在19世纪后,庞大性-熵平面的变化急剧加速,而这一时期恰恰与新古典主义和印象主义等几种艺术气势派头的泛起时间相吻合。此外如图3所示,三个画出的区域与艺术史上三个主要分期也很好对应上了。进一步地,庞大性和熵也可以以H-C平面来区分差别艺术气势派头[56]。

由于H和C的值反映了艺术气势派头之间在图像像素局部排序方面的相似度,因此可以检测气势派头之间可能的条理组织关系。即H-C平面上的一组艺术气势派头之间的欧几里得距离可以当成它们之间相似的怀抱:两种艺术气势派头之间的距离越近,它们之间的相似性越显著,反之亦然。对这个历程盘算所得的效果如图4所示,可以明白为艺术之树,就像达尔文在《物种起源》对生物演化著名的生命之树比喻一样。

图4:艺术之树(艺术气势派头的组织层级)。艺术家气势派头转变固然,Sigaki 等人[56]的研究并不是最早的。

早在四年前,为了在艺术和科学之间架起一座桥梁,Kim [59]等就已经对绘画艺术举行了大规模的定量分析。他们重点关注单个色彩的使用、色彩的多样性和亮度的粗拙化情况。

效果显示,古典绘画与摄影作品在色彩使用上存在差异,中世纪时期色彩使用种类则显着较少。在绘画技法如明暗法(chiaroscuro)和模糊法(sfumato)中,亮度粗拙化指数也有所增加,这与其时的历史情况是一致的。

这个小组厥后还研究了现代绘画中的色彩距离的异质性,正确指出总体统计数据不能很好地权衡画家的个性,因为差异可能不仅来自差别的画家,还可能来自同一个画家使用差别的气势派头。图5显示了对这方面[60]的深入分析,详细形貌了几名具有代表性画家,席卷了几种截然差别但互补的艺术气势派头,即相对于时代主流他们的艺术生涯奇特性的演变。

这项研究为界说今世缔造个性和多样性的特殊演进提供了名贵的看法。图5:对个体画家深入分析。图5(a,b)蒙德里安和雷诺阿绘画生涯的发展点线,红色虚线表现最佳线性拟合(c) 线性拟合1326个艺术家在至少五年差别绘画创作情况的直方图, 一些著名的艺术家被标出 (d,e)蒙德里安和雷诺阿绘画代表样本,展示了两位艺术家差别时期的气势派头转变(f)七位作品气势派头奇特的艺术家(g)采样40幅以上330位艺术家绘画作品奇特性的直方图。更多细节参考原始研究 [60]。

审美怀抱相关研究在对视觉艺术举行量化研究之前,就已经发生了相关思想。如前面所提到,早在1933年,美国数学家 George D. Birkhoff 就出书了他的《美学怀抱》(Aesthetic Measure)一书[23],这本书催生了盘算美学[22]。在这本书中,他提出使用图像中发现的秩序数与图像元素总数之比,即秩序 O 和庞大度 C 对则一个事物举行审美怀抱,审美值 M= O/C。

只是这个思想第一次应用时已到了在21世纪之初。Taylor [61]等人的研究讲明,波洛克的绘画作品在其艺术生涯中的特点是分形维度越来越大。这随后启发了分形分析法在绘画中的应用[62-66]、艺术家演变 [67,68]、绘画[69]和艺术家[70-72]的统计属性、艺术运动[73]以及其他视觉体现形式[74-76]等方面的研究。值得一提的是,分形艺术自己就是一个很吸引人的主题[77 ]。

它在伊斯兰文化中很常见,例如土耳其塞利米耶(Selimiye Mosque)清真寺的主圆顶上,以及广泛世界各地的印度教寺庙中都有分形艺术。此外最近另有一些创新的研究,主要是通太过析大规模的数据集,估算绘画和其他视觉艺术体现形式的平均亮度和饱和度[78,79]。其他视觉艺术除了绘画艺术之外,其他的视觉艺术还包罗雕塑、陶瓷、摄影、摄像、录像、影戏制作、设计、工艺品和修建等。

值得注意的是,影戏制作一直以来都是以演员网络为研究工具——如果两个演员一起泛起在一部影戏中,他们就会联系在一起。在这个偏向上最近的一次实验是对《星际之门》和《星际迷航》系列电视剧中人物互动的社会网络分析。

研究讲明,这两部剧集的人物关系网都具有小世界特性,而且一集的基本网络结构可以告诉我们该集故事情节的庞大性。研究发现,剧集网络要么是关闭的网络,要么是有瓶颈(bottlenecks)的网络——这些瓶颈将互不相连的集群毗连起来,又或者是二者的混淆体。通过更详细的阅读,这二者也可以毗连到相应的故事情节。不外除此之外其他形式的视觉艺术尚未与物理学和网络科学联系起来。

四、音乐艺术在所有艺术中,将音乐与科学联系在一起研究是最具有历史传统的。因此这里只关注一些相对较新的研究事情,主要是与物理学和网络科学两个学科之间的建设桥梁。音乐家网络首先是 Park 等人[81]的研究,他们研究了西方古典音乐作曲家网络的拓扑和演化,基于 arkivmusic.com 和allmusic.com 的数据,建设了一个以 CD 和作曲家为两类节点的二分网络。详细来说,当一个作曲家的作品被记载在CD上、或两个作曲家在某CD上有配合出演的作品,作曲家和 CD、作曲家之间就会被连线。

在此基础上,Park 等[81]陈诉了大量的效果。包罗网络体现出了许多现实世界网络的配合特征,如小世界属性、存在巨分量(giant component)、高聚集性和幂律度漫衍等。他们还通过中心性、近似节点配对和群落结构探索了全球作曲家的关联模式,效果讲明音乐家网络和人们对西方音乐传统的音乐明白之间存在着有趣的相互作用。此外,对“CD-作曲家”的二分网络历时增长研究发现,超线性偏好依附(superlinear preferential attachment)是解释增加顶层节点周围的边缘集中度和幂律度漫衍一个强力候选因素。

图6. 作曲家群落结构网络。在五个最大的群落中,占6.2%的作曲家,笼罩了60.1%的度。有关群落结构的效果如图6所示:六大可见的群落,占878个已知时代节点的99%。有趣的是,这些群落大致对应了差别的音乐时期:如文艺再起时期和巴洛克早期(1A)、巴洛克晚期和古典时期(1B)、浪漫主义时期(2)和现代时期(其余三个群落)。

研究还列出了每个群落中的著名作曲家,充实展示出了网络科学在探索艺术方面的洞察力。音乐门户自动分类最近生长一个比力经典的研究是 Corrêa等人[82]做出的,以网络为基础,主要受物理学启发的方法。作者通过从庞大网络的表现中探索基于节奏的特征,探讨了音乐门户自动分类的问题。详细来说,提出了一个马尔科夫模型来分析记谱节奏事件的时间序列,并使用主身分分析(principal components analysis)和线性判别分析法(linear discriminant analysis)举行特征分析。

前者是一种无监视多元统计方法,尔后者是一种有监视的方法。两种差别的分类器,即高斯假设下的参数贝叶斯(parametric Bayesian)和凝聚条理聚类(agglomerative hierarchical clustering)被同时用来识别节律种别。

图7. 四个音乐样本的有向图示例。图7显示了如何建立用于分析的有向图。

(a) B. B. King 的《How Blue Can You Get》(b) Tom Jobim 的 Fotografia (c) Bob Marley 的 This Love (d) The Beatles 的 From Me to You。可以视察到,只有音符的连续时间与它们在样本中泛起的顺序有关,因此被用来建立有向图。有向图的每个极点表现一个可能的节奏符号,例如四分音符、半音符、八分音符等等。

而边缘则反映了后续的音符对。例如,如果有一条边从极点 i(以四分音符表现)到极点 j(以八分音符表现),这意味着四分音符之后至少有一次八分音符。此外,边越粗,这两个节点之间的联系就越强。

基于这种方法,Corrêa 等人[82]的研究讲明,音乐节奏具有惊人的庞大性,而且包罗许多冗余,需要许多特征来区分它们。事实上,正是因为特征太多,无法在此全面回首。研究还发现,通过允许多门户分类,可以实现门户分类法的泛化,新的子门户会自发地从原来的门户中派生出来。虽然这项研究只关注节奏分析,但作者指出,对节奏举行更深入的分析,依然能提高此方法的有效性。

最近,部门同一组作者通过使用递归量化分析,研究了巴洛克作曲家约翰·塞巴斯蒂安·巴赫的十首作品是否源自马尔科夫链[83]。绝不奇怪,研究发现,”巴赫的大脑是马尔科夫链“这一相当难以置信的假设,在足够精致的代数分析下,可以被一致拒绝。

除了上面提到的例子展示了如何通过网络和物理学的手段研究音乐艺术的差别方面之外,类似的研究还包罗:应用庞大性-熵因果关系平面来区分歌曲[84]识别歌曲和音乐门户的声音振幅中的普遍模式[85]通过网络中的群落相关性提取音乐节奏模式[86]对人群聚集声景(soundscape)的动力学量化[87]此外,另有音乐理论方面的基础性事情,例如关于和弦的几何学[88],希望这种跨学科的研究能够为更好地明白音乐及其跨体裁、跨地域和跨时间的盛行做出孝敬[89]。五、文学艺术对艺术数字化影响最大的可能还是文学艺术。以前只存在于纸上的工具酿成了比特和字节。

像 books.google.com/ngrams (谷歌n-gram浏览器)和 gutenberg.org 古腾堡计划这样的网站,以及像推特和脸书这样的社交网站,极大地促进了对大规模书面文本的定量观察研究[90-101]。然而,对这方面的研究的主要内容是统计特性,或者是寻找模因,文本中异同,而非艺术特性方面的研究。其中一项引入瞩目的关注内容自己的研究结果是由 Reagan 等人[102]做出的:他们研究了从古腾堡项目小说集中筛选的1327个故事作为子集的情感弧线(emotional arcs)。作者使用了三种主要方法举行分析:奇异值剖析(singular value decomposition),一种尺度的线性代数技术;以 Ward 的方法发生故事的分层聚类,该方法最小化书本的聚类之间的方差[103];以及自组织映射[104],一种无监视的机械学习方法来聚类情感弧线。

情感弧线是通过使用 hedonom.org 和 labMT 数据集[105,106]分析滑动10000字窗口的情绪而构建的。图8:《哈利·波特》的情感弧线。

图8Reagan 等人[102]的分析抓住了故事的主要热潮和低谷。为生成这样的情感弧线,作者以10000字窗口滑动文本,然后使用 hedonometer.org 与 labMT 数据集[105,106]对每个窗口的情感倾向举行评估。此外 hedonometer.org 网站还提供了许多其他书籍、故事、影戏剧本以及Twitter的交互可视化情感弧线。自原文[102]。

J.K.罗琳的《哈利·波特与死亡圣器》的效果如图8所示。故事的热潮和低谷都可以清楚推断出来。正如作者在论文中指出的那样,整个七部曲系列都可以归为“杀死怪兽”[107]类情节 ,只不外众多子情节相互联系又使得每一本书的情感弧线变得越发庞大化。

这种方法的缺点是不会抓住那些简朴的情感瞬间,如一个单独的段落或某一个句子。至于图8中效果是否与读者的阅读体验相符,取决于多种因素。对于拥有全部哈利·波特书籍和DVD的笔者一家来说,它似乎确实很是适合,我十几岁的女儿 Ela 和她的朋侪们都同意,最幸福的了局应该是"今后永远幸福",而不是 "哈利在韦斯利家"。

ror体育官网

固然,但这是来自于一个群体的说法,其他人可能有差别的感受,完全不赞同图8所示的分析。在更大规模内,Reagan 等人[102]的研究主要发现是,所有故事的情感弧都不凌驾六种基本模式:“飞黄腾达”(上升)、"悲剧 "或 "家道中落"(下降)、"人在窟窿"(下降—上升)、"伊卡洛斯"(上升—下降)、"灰女人"(上升—下降—上升)、"俄狄浦斯"(下降—下降—下降)。强调这点很重要,即这相同六种情感弧是从所有可能弧线中获得的,是前面提到三种独立方法的配合效果,每种都发挥了各自奇特的作用:奇异值剖析找到所有情感弧的基础,聚类将情感弧分类成差别的组,自组织映射则使用随机历程从噪声中发生与语料库中情绪相似的弧。

因此,这一效果切实可靠,有充实的证据支持。在更小规模内,Markovič 等人[108]最近研究了斯洛文尼亚语文本 belles-lettres 中的结构和庞大性,重点是差别年事组对文本评价的差异。研究发现,单词的句法毗连形成了庞大的异质网络,其特点是信息能够举行有效通报。

研究还讲明,随着读者推荐年事的增加,文本的长度、平均单词长度、差别短语组合、文学人物之间的社交庞大性都市增加。反之,奇特词汇的种种分量则体现为淘汰。

图9:斯洛文尼亚语文本在差别年事组的语言网络。图9(a)为1-5岁的儿童(b)为6-8岁的儿童(c)为9-11岁的儿童(d)12-14岁的儿童。

只管网络规模和庞大性存在显着差异,可以显着看到网络的度都出现幂律漫衍。此外,平均度宁静均聚类系数随着读者推荐年事增加,模块化水平下降;平均最短路径长度随年事的增加而淘汰,只管网络规模的增加又会引起小世界属性[109]。然而只管有以上变化,所有网络直径险些都是相同的。这些网络属性的详细数据请参考原始事情[108]。

在语言网络方面,如图9所示,Markovič 等人[108]发现,只管网络规模有显着的差异,但在四个年事组中,度漫衍都出现幂律特征,而且幂律指数相似。显然,差别年事组句法模式的一些属性并没有太大的差异,只管所研究相对较小的规模的网络不允许更准确的比力。其中语言网络的无标度特性在以前其他研究[110]中已有所报道。

至于其它网络属性,研究显示平均度宁静均聚类系数随着读者推荐年事而增加。这一效果与奇特词汇密度的递减趋势相一致。

也就是说,对于较高的年事组,在较长的文本中使用较少的奇特词汇,因此需要更多的单词组合,这反过来也导致单个单词之间更多的联系以及更高水平的附属关系。出于同样的原因,网络也会随着读者的推荐年事的增加而变得不那么模块化。

由于毗连数量的增加,平均最短路径长度随着推荐年事的增加而逐渐淘汰,只管网络规模会大幅度增加。这反过来又导致了所提取的语法网络的小世界拓扑特征。

有趣的是,只管平均连通性、平均最短路径长度和网络巨细都发生了变化,但网络直径(diameter)在差别年事组中基本保持稳定。总体而言,网络科学使得对斯洛文尼亚文学举行深入理论探索成为可能,能清楚看到差别年事组之间统计特性的显着区别,从而以一种互惠互利的方式将艺术和准确科学联系起来。最近 Ferraz de Arruda 等人[111]在进一步推进这一主题研究时,指出虽然建设起的词汇毗邻(word-adjacency)或共现网络(co-occurrence) 乐成地掌握了书面文本的句法特征,但无法捕捉到主题结构。为相识决这个问题,他们提出了一个网络模型,以相邻的段落作为节点,每当它们共享最小语义内容时就毗连起来。

以刘易斯·卡罗尔的《爱丽丝梦游仙境记》为例,研究讲明这种方法可以展现文本的许多语义特征,否则这些特征是将被隐藏起来的。从“只是单词”和短语转向差别水平的介观结构,如句子、段落或篇章,可能是使文学艺术更切合网络科学和物理学方法的下一步。六、总结与展望我们回首了最近的研究,旨在弥合差别艺术体现形式与网络科学和物理学之间的差距。虽然其中所涉及的大多数作品都不是关于美自己的。

但回过头来看,它确实能让我们通过量化和明白,当我们受到某种艺术形式影响时,有什么工具让我们以为是吸引人、或者说是美的。如果是喜欢的食物,我们现在可以浏览到哪些食物搭配能让我们多吃一口,哪些搭配让我们重新回到餐馆。总体来说,东亚美食就像果酱,菜单上既不应该有食物配菜,也不应桥接,而东南亚美食吸引了那些不喜欢搭配可是喜欢桥接食物的人。

西方美食则险些完全是食物搭配而没有桥接,拉丁美洲食物则适合那些既喜欢食物搭配又喜欢食物桥接的人。当我们看到一幅我们以为美的画作时,就可以把这种美与熵和庞大性联系起来。如果我们喜欢有序、重复的图案,那就是低熵、高庞大度;此外一切 "绘画性"的工具都是高熵、低庞大度。这两个物理量可以很好地与艺术史上的传统观点联系起来。

由差别轮廓形成的图像会发生重复有序模式的。因此线绘/触觉艺术作品可以用小熵值和大庞大度值来形貌;另一方面,由模糊边缘界定相互关联部门组成的图像会发生更多的随机图案,相应的涂绘/光学艺术品会预期发生更大的熵值和更小的庞大度值。更进一步说,Wölfflin 的线绘与涂绘性的双重观点,和 Riegl 的触觉与光学的二分法,实际上可能限制了所有尺度界线的体现形式,因此熵值和庞大度值一连体的观点可能有助于艺术史学家在更精致尺度上举行评判。

当我们重复听一首歌时,从物理学和网络科学层面的研究可以资助我们弄清楚超出经典音乐理论领域的一些属性。从网络的角度来看,基于节奏的特征,差别作曲家和门户的社区,以及庞大-熵因果关系平面,都可以资助我们准确定位出特定歌曲中我们以为优美的工具,改善个性化的音乐推荐,同时也可以提高我们对周围的人在特定音乐中的吸引力的明白。这些方法也可以用来实验和预测几个著名艺术家的未来,并解读音乐网络的生长动态。

纵然不从传统音乐理论如几何和弦或类似的观点中抽取任何工具,网络和物理学研究也可以起到很是大的作用。最后,当读到一个真正能感动我们的故事时,我们可以看看它的情感弧线是像“灰女人”一样的“升-降-升”,还是仅仅如“伊卡洛斯”那样的“升-降”。我们也可以相识自己是否喜欢那些往复无踪谜样的角色,还是更喜欢两三个主要人物来推动故事的生长。从网络科学视角也能让我们看到故事的模块性,故事某些部门是否脱离了其他部门,以及它们又在什么时候联合在一起。

在这里,介观文本结构的观点,如句子、段落或章节,可能成为定量语言学的新的前沿,不仅在统计方面,而在内容、故事性和情感弧方面。从更辽阔的角度来看,推动艺术生长的人、知识、工艺和技术,与我们的文化历史有关。

在这方面,近年来网络科学和物理学的方法也发挥了重要作用,推动了相关学科主题研究[26-28]。Michel 等人[28]的提倡的文化组学(culturomics),即那篇名为《使用数百万本数字化书籍对文化举行定量分析》(Quantitative Analysis of Culture Using Millions of Digitized Book)的论文,甚至过于乐观地预计,我们能对文化举行全面定量分析,以确切地明白到我们的文化。

虽然随后的网络评论和研究很快就指出了这种基于数据推断社会文化和语言演化方法的局限性[112]。这意味着许多研究事情,例如[113,114],很可能是过早跳上了文化组学的浪潮[115]。不外这也往往是一个快速生长的领域自己的性质。

最初过分热情和努力性被厥后更慎重和审慎的方法所抑制后,才开始最终成熟阶段,随之而来的是不行制止的衰退。只管如此,这条研究进路的受接待水平,以及通过盘算美学[22] 与人工智能的联系,近年来一直在稳步增长。

分外涉及的科学结果[116-118] 可参见 matjazperc.com/aps ,以及相应同行评审[119],以增补我们在导言中已提到的社会许多其他方面的研究,包罗这里所回首的艺术。我们希望这篇综述对那些本职差别但又对互补研究领域着迷的研究者,特别是对那些寻求艺术和定量科学之间相互促进的研究者来说,能提供有益的信息和资助。参考文献:1.Leskovec J, Rajaraman A, Ullman JD. 2014Mining of massive datasets. Cambridge, UK: Cambridge University Press.2.Castellano C, Fortunato S, Loreto V. 2009 Statistical physics of social dynamics. Rev. Mod. Phys. 81, 591–646. (doi:10.1103/RevModPhys.81.591)3.Helbing D. 2001Traffic and related self-driven many-particle systems. Rev. Mod. Phys. 73, 1067. (doi:10.1103/RevModPhys.73.1067)4. D’Orsogna MR, Perc M. 2015Statistical physics of crime: a review. Phys. Life Rev. 12, 1-21. (doi:10.1016/j.plrev.2014.11.001)5. Pastor-Satorras R, Castellano C, Van Mieghem P, Vespignani A. 2015Epidemic processes in complex networks. Rev. Mod. Phys. 87, 925. (doi:10.1103/RevModPhys.87.925)6.Wang Z, Bauch CT, Bhattacharyya S, Manfredi P, Perc M, Perra N, Salathé M, Zhao D. 2016Statistical physics of vaccination. Phys. Rep. 664, 1-113. (doi:10.1016/j.physrep.2016.10.006)7. Perc M, Jordan JJ, Rand DG, Wang Z, Boccaletti S, Szolnoki A. 2017Statistical physics of human cooperation. Phys. Rep. 687, 1-51. (doi:10.1016/j.physrep.2017.05.004)8.Pacheco JM, Vasconcelos VV, Santos FC. 2014Climate change governance, cooperation and self-organization. Phys. Life Rev. 11, 573-586. (doi:10.1016/j.plrev.2014.02.003)9.Chen X, Fu F. 2018Social learning of prescribing behavior can promote population optimum of antibiotic use. Front. Phys. 6, 193. (doi:10.3389/fphy.2018.00139) Crossref, ISI, Google Scholar10. Capraro V, Perc M. 2018Grand challenges in social physics: in pursuit of moral behavior. Front. Phys. 6, 107. (doi:10.3389/fphy.2018.00107)11.Perc M. 2019The social physics collective. Sci. Rep. 9, 16549. (doi:10.1038/s41598-019-53300-4)12.Galam S. 2004Sociophysics: a personal testimony. Physica A 336, 49-55. (doi:10.1016/j.physa.2004.01.009)13.Barrat A, Barthélemy M, Vespignani A. 2008Dynamical processes on complex networks. Cambridge, UK: Cambridge University Press.14.Newman MEJ. 2010Networks: an introduction. Oxford, UK: Oxford University Press.15.Estrada E. 2012The structure of complex networks: theory and applications. Oxford, UK: Oxford University Press.16.Barabási A-L. 2015Network science. Cambridge, UK: Cambridge University Press.17.Lazer D, Brewer D, Christakis N, Fowler J, King G. 2009Life in the network: the coming age of computational social science. Science 323, 721-723. (doi:10.1126/science.1167742)18.Mantegna RN, Stanley HE. 1999Introduction to econophysics: correlations and complexity in finance. Cambridge, UK: Cambridge University Press.19.Helbing D. 2012Social self-organization. Berlin, Germany: Springer.20.Smith A. 1759The theory of moral sentiments. Strand & Edinburgh.21.Ball P. 2012Why society is a complex matter. Berlin, Germany: Springer.22.Iqbal A. 2015Computational aesthetics. Encyclopedia Britannica. (https://www.britannica.com/topic/computational-aesthetics)23.Birkhoff GD. 1933Aesthetic measure. Cambridge, MA: Harvard University Press.24.Iqbal A, Van Der Heijden H, Guid M, Makhmali A. 2012Evaluating the aesthetics of endgame studies: a computational model of human aesthetic perception. IEEE Trans. Comput. Intell. AI Games 4, 178-191. (doi:10.1109/TCIAIG.2012.2192933)25.Silverberg JL, Bierbaum M, Sethna JP, Cohen I. 2013Collective motion of humans in Mosh and circle pits at heavy metal concerts. Phys. Rev. Lett. 110, 228701. (doi:10.1103/PhysRevLett.110.228701)26.Schich M, Song C, Ahn YY, Mirsky A, Martino M, Barabási AL, Helbing D. 2014A network framework of cultural history. Science 345, 558-562. (doi:10.1126/science.1240064)27.Turchin Pet al.2018Quantitative historical analysis uncovers a single dimension of complexity that structures global variation in human social organization. Proc. Natl Acad. Sci. USA 115, E144-E151. (doi:10.1073/pnas.1708800115)28.Michel J-Bet al.2011Quantitative analysis of culture using millions of digitized books. Science 331, 176-182. (doi:10.1126/science.1199644)29.Ahn Y-Y, Ahnert SE, Bagrow JP, Barabási A-L. 2011Flavor network and the principles of food pairing. Sci. Rep. 1, 196. (doi:10.1038/srep00196)30.Rozin E. 1971The flavor-principle cookbook. Gloucestershire, UK: Hawthorn Books.31.Kinouchi O, Diez-Garcia RW, Holanda AJ, Zambianchi P, Roque AC. 2008The non-equilibrium nature of culinary evolution. New J. Phys. 10, 073020. (doi:10.1088/1367-2630/10/7/073020)32.Barabási A-L, Albert R. 1999Emergence of scaling in random networks. Science 286, 509-512. (doi:10.1126/science.286.5439.509)33.Perc M. 2014The Matthew effect in empirical data. J. R. Soc. Interface 11, 20140378. (doi:10.1098/rsif.2014.0378)34.Mayr E. 1963Animal species and evolution. Cambridge, MA: Harvard University Press.35.Teng C-Y, Lin Y-R, Adamic L. 2012Recipe recommendation using ingredient networks. In Proc. 4th Annual ACM Web Science Conf., pp. 298–307 ACM.36.Simas T, Ficek M, Diaz-Guilera A, Obrador P, Rodriguez PR. 2017Food-bridging: a new network construction to unveil the principles of cooking. Front. ICT 4, 14. (doi:10.3389/fict.2017.00014)37.Tallab ST, Alrazgan MS. 2016Exploring the food pairing hypothesis in Arab cuisine: a study in computational gastronomy. Procedia Comput. Sci. 82, 135-137. (doi:10.1016/j.procs.2016.04.020)38.Varshney KR, Varshney LR, Wang J, Myers D. 2013Flavor pairing in medieval european cuisine: a study in cooking with dirty data. (http://arxiv.org/abs/1307.7982)39.Zhu YX, Huang J, Zhang ZK, Zhang QM, Zhou T, Ahn YY. 2013Geography and similarity of regional cuisines in china. PLoS ONE 8, e79161. (doi:10.1371/journal.pone.0079161)40.Jain A, Bagler G. 2018Culinary evolution models for indian cuisines. Physica A 503, 170-176. (doi:10.1016/j.physa.2018.02.176)41.Kim K-J, Chung C-H. 2016Tell me what you eat, and I will tell you where you come from: a data science approach for global recipe data on the web. IEEE Access 4, 8199-8211. (doi:10.1109/ACCESS.2016.2600699)42.Min W, Jiang S, Liu L, Rui Y, Jain R. 2019A survey on food computing. ACM Comput. Surv. 52, 92.43.Wagner C, Singer P, Strohmaier M. 2014The nature and evolution of online food preferences. Eur. Phys. J. Data Sci. 3, 38. (doi:10.1140/epjds/s13688-014-0036-7)44.Abbar S, Mejova Y, Weber I. 2015You tweet what you eat: Studying food consumption through twitter. In Proc. 33rd Annual ACM Conf. on Human Factors in Computing Systems. pp. 3197–3206, ACM.45.West R, White RW, Horvitz E. 2013From cookies to cooks: insights on dietary patterns via analysis of web usage logs. In Proc. 22nd Int. Conf. on World Wide Web. pp. 1399–1410, ACM.46.Anderson EN. 2014Everyone eats: understanding food and culture. New York, NY: NYU Press.47.Ball P. 2016Patterns in nature. Chicago, IL: The University of Chicago Press.48.Harrison LG. 2005Kinetic theory of living pattern. Cambridge, UK: Cambridge University Press.49.Perc M. 2005Spatial decoherence induced by small-world connectivity in excitable media. New J. Phys. 7, 252. (doi:10.1088/1367-2630/7/1/252)50.Sagués F, Sancho JM, García-Ojalvo J. 2007Spatiotemporal order out of noise. Rev. Mod. Phys. 79, 829. (doi:10.1103/RevModPhys.79.829)51.Nakamasu A, Takahashi G, Kanbe A, Kondo S. 2009Interactions between zebrafish pigment cells responsible for the generation of turing patterns. Proc. Natl Acad. Sci. USA 106, 8429-8434. (doi:10.1073/pnas.0808622106)52.Kondo S, Miura T. 2010Reaction-diffusion model as a framework for understanding biological pattern formation. Science 329, 1616-1620. (doi:10.1126/science.1179047 PubMed, ISI,53.Szolnoki A, Perc M, Szabó G. 2012Defense mechanisms of empathetic players in the spatial ultimatum game. Phys. Rev. Lett. 109, 078701. (doi:10.1103/PhysRevLett.109.078701)54.Andrade-Silva I, Bortolozzo U, Clerc MG, González-Cortés G, Residori S, Wilson M. 2018Spontaneous light-induced turing patterns in a dye-doped twisted nematic layer. Sci. Rep. 8, 12867. (doi:10.1038/s41598-018-31206-x)55.Turing AM. 1952The chemical basis of morphogenesis. Phil. Trans. R. Soc. B 237, 37-72. (doi:10.1098/rstb.1952.0012)56.Sigaki HYD, Perc M, Ribeiro HV. 2018History of art paintings through the lens of entropy and complexity. Proc. Natl Acad. Sci. USA 115, E8585-E8594. (doi:10.1073/pnas.1800083115)57.Wölfflin H. 1950Principles of art history: the problem of the development of style in later art. Mineola, NY: Dover.58.Riegl A. 2004Historical grammar of the visual arts. New York, NY: Zone Book.59.Kim D, Son S-W, Jeong H. 2014Large-scale quantitative analysis of painting arts. Sci. Rep. 4, 7370. (doi:10.1038/srep07370)60.Lee B, Kim D, Sun S, Jeong H, Park J. 2018Heterogeneity in chromatic distance in images and characterization of massive painting data set. PLoS ONE 13, e0204430. (doi:10.1371/journal.pone.0204430)61.Taylor RP, Micolich AP, Jonas D. 1999Fractal analysis of Pollock’s drip paintings. Nature 399, 422. (doi:10.1038/20833)62.Jones-Smith K, Mathur H. 2006Fractal analysis: revisiting Pollock’s drip paintings. Nature 444, E9-E10. (doi:10.1038/nature05398)63.Taylor RP, Micolich AP, Jonas D. 2006Fractal analysis: revisiting Pollock’s drip paintings (reply)64.Taylor RP, Guzman R, Martin TP, Hall GDR, Micolich AP, Jonas D, Scannell BC, Fairbanks MS, Marlow CA. 2007Authenticating Pollock paintings using fractal geometry. Pattern Recognit. Lett. 28, 695-702. (doi:10.1016/j.patrec.2006.08.012)65.Jones-Smith K, Mathur H, Krauss LM. 2009Drip paintings and fractal analysis. Phys. Rev. E 79, 046111. (doi:10.1103/PhysRevE.79.046111)66.De la Calleja EM, Cervantes F, De la Calleja J. 2016Order-fractal transitions in abstract paintings. Annal. Phys. 371, 313-322. (doi:10.1016/j.aop.2016.04.007)67.Boon JP, Casti J, Taylor RP. 2011Artistic forms and complexity. Nonlinear Dyn. Psychol Life Sci. 15, 265. PubMed, ISI,68.Alvarez-Ramirez J, Ibarra-Valdez C, Rodriguez E. 2016Fractal analysis of Jackson Pollock’s painting evolution. Chaos Solitons Fractals 83, 97-104. (doi:10.1016/j.chaos.2015.11.034)69.Pedram P, Jafari GR, Lisa M. 2008The stochastic view and fractality in color space. Int. J. Mod. Phys. C 19, 855-866. (doi:10.1142/S0129183108012558)70.Taylor R. 2004Pollock, Mondrian and the nature: recent scientific investigations. Chaos Complex. Lett. 1, 29.71.Hughes JM, Graham DJ, Rockmore DN. 2010Quantification of artistic style through sparse coding analysis in the drawings of Pieter Bruegel the Elder. Proc. Natl Acad. Sci. USA 107, 1279-1283. (doi:10.1073/pnas.0910530107)72.Shamir L. 2012Computer analysis reveals similarities between the artistic styles of Van Gogh and Pollock. Leonardo 45, 149-154. (doi:10.1162/LEON_a_0028173.Elsa M, Zenit R. 2017Topological invariants can be used to quantify complexity in abstract paintings. Knowledge-Based Syst. 126, 48-55. (doi:10.1016/j.knosys.2017.03.030)74.Castrejon-Pita JR, Castrejón-Pita AA, Sarmiento-Galán A, Castrejón-Garcıa R. 2003Nasca lines: a mystery wrapped in an enigma. Chaos 13, 836-838. (doi:10.1063/1.1587031 PubMed, ISI,75.Koch M, Denzler J, Redies C. 20101/f2 Characteristics and isotropy in the Fourier power spectra of visual art, cartoons, comics, mangas, and different categories of photographs. PLoS ONE 5, e12268. (doi:10.1371/journal.pone.0012268)76.Montagner C, Linhares JMM, Vilarigues M, Nascimento SMC. 2016Statistics of colors in paintings and natural scenes. J. Opt. Soc. Am. A 33, A170-A177. (doi:10.1364/JOSAA.33.00A170)77.Bovill C. 1996Fractal geometry in architecture and design. Basel, Switzerland: Birkhauser.78.Manovich L. 2015Data science and digital art history. Intl. J. Digital Art Hist. 1, 11-35. (doi:10.5007/1807-9288.2015v11n2p35)79.Yazdani M, Chow J, Manovich L. 2017Quantifying the development of user-generated art during 2001–2010. PLoS ONE 12, e0175350. (doi:10.1371/journal.pone.0175350)80.Tan MSA, Ujum EA, Ratnavelu K. 2017Social network analysis of character interaction in the Stargate and Star Trek television series. Int. J. Mod. Phys. C 28, 1750017. (doi:10.1142/S0129183117500176)81.Park D, Bae A, Schich M, Park J. 2015Topology and evolution of the network of western classical music composers. EPJ Data Sci. 4, 2. (doi:10.1140/epjds/s13688-015-0039-z)82.Corrêa DC, Saito JH, da F Costa L. 2010Musical genres: beating to the rhythms of different drums. New J. Phys. 12, 053030. (doi:10.1088/1367-2630/12/5/053030)ISI,83.Moore JM, Corrêa DC, Small M. 2018Is Bach’s brain a Markov chain? Recurrence quantification to assess Markov order for short, symbolic, musical compositions. Chaos 28, 085715. (doi:10.1063/1.5024814)84.Ribeiro HV, Zunino L, Mendes RS, Lenzi EK. 2012Complexity-entropy causality plane: a useful approach for distinguishing songs. Physica A 391, 2421-2428. (doi:10.1016/j.physa.2011.12.009)85.Mendes RS, Ribeiro HV, Freire F, Tateishi A, Lenzi EK. 2011Universal patterns in sound amplitudes of songs and music genres. Phys. Rev. E 83, 017101. (doi:10.1103/PhysRevE.83.017101)86.Coca AE, Zhao L. 2016Musical rhythmic pattern extraction using relevance of communities in networks. Inf. Sci. 329, 819-848. (doi:10.1016/j.ins.2015.09.03087.Ribeiro HV, De Souza RT, Lenzi EK, Mendes RS, Evangelista LR. 2011The soundscape dynamics of human agglomeration. New J. Phys. 13, 023028. (doi:10.1088/1367-2630/13/2/023028)88.Tymoczko D. 2006The geometry of musical chords. Science 313, 72-74. (doi:10.1126/science.1126287)89.Miles SA, Rosen DS, Grzywacz NM. 2017A statistical analysis of the relationship between harmonic surprise and preference in popular music. Front. Hum. Neurosci. 11, 263. (doi:10.3389/fnhum.2017.00263)90.Serrano MA, Flammini Á, Menczer F. 2009Modeling statistical properties of written text. PLoS ONE 4, e5372. (doi:10.1371/journal.pone.0005372)91.Bernhardsson S, Correa da Rocha LE, Minnhagen P. 2009The meta book and size-dependent properties of written language. New J. Phys. 11, 123015. (doi:10.1088/1367-2630/11/12/123015)92.Leskovec J, Backstrom L, Kleinberg J. 2009Meme-tracking and the dynamics of the news cycle. In Proc. ACM SIGKDD, pp. 497–506.93.Dodds PS, Danforth CM. 2010Measuring the happiness of large-scale written expression: songs, blogs, and presidents. J. Happiness Stud. 11, 441-456. (doi:10.1007/s10902-009-9150-9)94.Simmons MP, Adamic LA, Adar E. 2011Memes online: extracted, subtracted, injected, and recollected. In Proc. ICWSM, 353–360.95.Perc M. 2012Evolution of the most common English words and phrases over the centuries. J. R. Soc. Interface 9, 3323-3328. (doi:10.1098/rsif.2012.0491)96.Mitchell L, Frank MR, Harris KD, Dodds PS, Danforth CM. 2013The geography of happiness: connecting Twitter sentiment and expression, demographics, and objective characteristics of place. PLoS ONE 8, e64417. (doi:10.1371/journal.pone.0064417)97.Mocanu D, Baronchelli A, Perra N, Gonçalves B, Zhang Q, Vespignani A. 2013The Twitter of Babel: mapping world languages through microblogging platforms. PLoS ONE 8, e61981. (doi:10.1371/journal.pone.0061981)98.Gerlach M, Altmann EG. 2013Stochastic model for the vocabulary growth in natural languages. Phys. Rev. X 3, 021006. (doi:10.1103/PhysRevX.3.021006)99.Dodds PSet al.2015Human language reveals a universal positivity bias. Proc. Natl Acad. Sci. USA 112, 2389-2394. (doi:10.1073/pnas.1411678112)100.Corral A, Boleda G, Ferrer-i Cancho R. 2015Zipf’s law for word frequencies: word forms versus lemmas in long texts. PLoS ONE 10, e0129031. (doi:10.1371/journal.pone.0129031)101.Bentz C, Alikaniotis D, Cysouw M, Ferrer-i Cancho R. 2017The entropy of words-learnability and expressivity across more than 1000 languages. Entropy 19, 275. (doi:10.3390/e19060275)102.Reagan AJ, Mitchell L, Kiley D, Danforth CM, Dodds PS. 2016The emotional arcs of stories are dominated by six basic shapes. Eur. Phys. J. Data Sci. 5, 31. (doi:10.1140/epjds/s13688-016-0093-1)103.Ward JH. 1963Hierarchical grouping to optimize an objective function. J. Am. Stat. Assoc. 58, 236-244. (doi:10.1080/01621459.1963.10500845)104.Kohonen T. 1990The self-organizing map. Proc. IEEE 78, 1464-1480. (doi:10.1109/5.58325)105.Reagan AJ, Danforth CM, Tivnan B, Williams JR, Dodds PS. 2017Sentiment analysis methods for understanding large-scale texts: a case for using continuum-scored words and word shift graphs. Eur. Phys. J. Data Sci. 6, 28. (doi:10.1140/epjds/s13688-017-0121-9)106.Ribeiro FN, Araújo M, Gonçalves P, Gonçalves MA, Benevenuto F. 2016SentiBench—a benchmark comparison of state-of-the-practice sentiment analysis methods. Eur. Phys. J. Data Sci. 5, 23. (doi:10.1140/epjds/s13688-016-0085-1)107.Booker C. 2006The seven basic plots: why we tell stories. New York, NY: Bloomsbury Academic.108.Markovič R, Gosak M, Perc M, Marhl M, Grubelnik V. 2019Applying network theory to fables: complexity in Slovene belles-lettres for different age groups. J. Complex Netw. 7, 114-127. (doi:10.1093/comnet/cny018)109.Watts DJ, Strogatz SH. 1998Collective dynamics of ‘small world’ networks. Nature 393, 440-442. (doi:10.1038/30918)110.Solé RV, Corominas-Murtra B, Valverde S, Steels L. 2010Language networks: their structure, function, and evolution. Complexity 15, 20-26. (doi:10.1002/cplx.20305)111.Ferraz de Arruda H, Nascimento Silva F, Queiroz Marinho V, Raphael Amancio D, da Fontoura Costa L. 2017Representation of texts as complex networks: a mesoscopic approach. J. Complex Netw. 6, 125-144. (doi:10.1093/comnet/cnx023)112.Pechenick EA, Danforth CM, Dodds PS. 2015Characterizing the Google Books corpus: strong limits to inferences of socio-cultural and linguistic evolution. PLoS ONE 10, e0137041. (doi:10.1371/journal.pone.0137041)113.Gao J, Hu J, Mao X, Perc M. 2012Culturomics meets random fractal theory: insights into long-range correlations of social and natural phenomena over the past two centuries. J. R. Soc. Interface 9, 1956-1964. (doi:10.1098/rsif.2011.0846)114.Petersen AM, Tenenbaum JN, Havlin S, Stanley HE, Perc M. 2012Languages cool as they expand: allometric scaling and the decreasing need for new words. Sci. Rep. 2, 943.(doi:10.1038/srep00943)115.Shannon CE. 1956The bandwagon. IRE Trans. Inf. Theory 2, 3.(doi:10.1109/TIT.1956.1056774)116.Perc M. 2013Self-organization of progress across the century of physics. Sci. Rep. 3, 1720. (doi:10.1038/srep01720)117.Kuhn T, Perc M, Helbing D. 2014Inheritance patterns in citation networks reveal scientific memes. Phys. Rev. X 4, 041036. (doi:10.1103/PhysRevX.4.041036)118.Sinatra R, Wang D, Deville P, Song C, Barabási A-L. 2016Quantifying the evolution of individual scientific impact. Science 354, aaf5239. (doi:10.1126/science.aaf5239)119.Balietti S, Goldstone RL, Helbing D. 2016Peer review and competition in the art exhibition game. Proc. Natl Acad. Sci. USA 113, 8414-8419. (doi:10.1073/pnas.1603723113)译者:十三维审校:刘培源编辑:曾祥轩。


本文关键词:盘算,美学,百篇,论文,大,综述,如何,从,另一个,ror体育

本文来源:ror体育-www.tjgcys.com

078-344512442