2.3 研究目标
[ 9 ]由于西班牙语世界以外缺乏足够多的戏剧作品，使用单词或文档嵌入对流派进行分类仍然相对较新。[22]因此，我们研究的目标是探索各种方法及其组合，并比较结果。我们将比较四种方法，它们都遵循相同的一般未观察到的方案：1）词汇的预过滤；2）计算文档嵌入，如果适用，则进行降维；3）嵌入聚类；4）可视化和评估。我们的语料库为我们提供了极好的基础，因为大约四分之一的戏剧的类别是已知的，但其余戏剧的类别却未知。通过这种方式，我们可以同时审查过程的质量（基于已知类别）并获得尚未分类的戏剧的发现。我们发现这种类型的方法比较很重要，因为众所周知，未观察到的分布方法的发现在很大程度上取决于过程的参数化。[23]
2.4 实际应用
[ 10 ]所有分析均采用统计软件 R 完成。文本的预处理主要使用 R 包 quanteda，因为它还可以排除西班牙语停用词、标点符号和数字，以及转换准备好的文本语料库以便在其他包中处理。正如在探索过程中发现的那样，quanteda 包中仅保留了少量（即 308 个）西班牙语停用词。一项探索表明，从矩阵中排除功能词不会导致明显不同的结果，因此手动大大扩展了停 阿曼电报数据 用词列表。[24]此外，对所采用的不同方法的分析，特别是 tf-idf 统计数据，表明分组结果受到文本中人物、地点和国家名称的负面影响，包括它们的形容词形式，因为这些语音元素往往反映单个作品的特性，而不是刻板的流派特征。这些专有名词同样——主要是通过剧中人物列表—— 被汇编并从文本中删除；因此，除了 quanteda 包中包含的 308 个停用词之外，要从语料库中排除的术语数量也增加到了 800 多个。通常，先计算每部戏剧中单词的频率，然后再对每个文档的频率进行归一化。这一过程在生成用于分组的距离和相似度矩阵时进行。当使用余弦相似度计算文档之间的相似度时，可以省略这一点，因为它们相对于向量长度保持不变。在整个分析过程中，我们始终对单词的屈折形式或变位形式进行处理；没有对这些词进行词形还原或词干提取。这样，可能有助于对文学体裁进行分类（以及关于风格、作者信号或历时位置性）的语言信息就得以保留。
3.结果
3.1 实验 0
[ 11 ]在第一次探索中，我们将一种成熟的方法 Skip-gram [25]应用于文本主体，以评估词向量是否可以告诉我们一些关于文本的有趣信息，以及 112 部戏剧主体中哪些词对表现出最多的相似性。我们将矩阵缩减为具有最高对数似然性的 1,000 个词，并计算所有向量对之间的余弦相似度。余弦相似度，或更准确地说，两个向量之间角度的余弦，是一种广泛使用的相似度度量，它决定了两个向量在高维空间中“指向”同一方向的程度。余弦值介于 0 和 1 之间，高余弦值表示两个词出现在相似的上下文中。
[ 12 ]余弦相似度值非常高（超过 0.75）的词组包括 »cielo« 和 »muerte«（天堂、死亡）、»esperanza« 和 »desdichas«（希望、绝望）、»poder« 和 »temor«（力量、恐惧）、»poder« 和 »gusto«（力量、品味）、»honor« 和 »alma«（荣誉、灵魂）或 »alma« 和 »muerte«（灵魂、死亡）。余弦相似度值最高的词组之一为 0.96，表明 »honor« 和 »muerte«（荣誉和死亡）可以确定为贯穿整部作品的主要主题。事实上，这些初步结果非常清晰，通过使用 Skip-gram 算法，可以识别出卡尔德隆喜剧中的中心 主题，即使它们涉及社会习俗（荣誉）和个性（品味、灵魂、恐惧、社会或实际死亡）的交集。