社会－娱乐－美剧－权力的游戏－扒完社交网络关系才明白，《权力的游戏》凭什么是神作
扒完社交网络关系才明白，《权力的游戏》凭什么是神作
15:25&阅读：2691
摘要：文/数据侠程牛“ValarMorghuli，凡人皆有一死。”“没错，但那是‘凡人’。会数据的，都不是凡人。”——DT君当你看冰火的时候，你在看什么？作为一个《冰与火之歌》的资深迷弟，看到如今的冰火电视
文/数据侠 程牛
“Valar Morghuli，凡人皆有一死。” “没错，但那是‘凡人’。会数据的，都不是凡人。” ——DT君
当你看冰火的时候，你在看什么？
作为一个《冰与火之歌》的资深迷弟，看到如今的冰火电视剧完全脱离书本进度，在第七季里更是抛弃了原作诡谲多变的气质，开始转向画风浮躁、强调血脉喷张效果的好莱坞大片风格，这让我一个原著党深感不满。
在起初追剧的时候，平心而论，我对其中华丽的战争场面、香艳镜头（此处“少儿不宜”）以及高傲的中世纪骑士文化最感兴趣。但随着剧集的发展，我的重心逐渐转向了其中形象丰满的人物身上。他们隐秘的复杂感情、斗智斗勇的角逐、诡谲多变的选择以及背后神奇的魔幻设定，都让我心旷神怡。遂从剧党倒戈书党，弃暗投明。
图片说明：宏大的战争场景是冰火这部戏最大看点之一，囧雪复活后的这场私生子大战，高度还原了中世纪步兵、骑兵、弩手配合作战的史实，令人窒息的逼真程度令人惊叹不已。）
电视剧在前五季其实是忠于原著的，但是到了第七季，夜王突变奥运会标枪选手；原最强谋略家小指头堕落为北境第一大混子；囧雪和姑姑突然被爱情撞了一下腰；维斯特洛大陆上到处都是“任意门”…….
（图片说明：由于受电视剧长度的限制，在第七季的冰火中，编剧为了火速推进剧情，抛弃了大量的伏笔和细节，导致bug无数。Instagram等社交网络出现了大量网友自制表情包，讽刺剧组的这种省事儿的做法。图为讽刺囧雪的叔叔班扬史塔克，在第七季第六集莫名其妙地出现然后又牺牲的桥段；图片来源：Instagram
@thronesmemes）
对于HBO这种做法，我除了在社交网络上发帖讽刺以外，却也不禁扪心自问：在编剧们已经放弃观众智商的情况下，我为什么还要追剧呢？想来想去，答案只有一个：《冰与火之歌》讲述了一个好故事。因为在看冰火的时候，我并不只是看打仗、香艳、CG的镜头，更吸引我的是这一整个充满血和肉的史诗故事。
那么问题来了，冰火作为一个公认的“好故事”，它的秘诀究竟在哪里呢？
尤瓦尔·赫拉利在《人类简史》中说：人类在演化中获得的讲故事（即描述虚构事物）的能力，是他们称霸世界的关键。人类天生爱听故事，而故事的核心则源于人本身。我认为冰火作为一个好故事，关键就在于其塑造的一个个真实可感的人物形象。所以，我决定从人物入手，分析一下冰火的故事套路，为自己下次吹水“打下坚实的理论基础”。
先亮出我的结论。要写好一个故事，冰火告诉你，需遵循三原则：
让“主角”意想不到地死亡
给“配角”连珠成线地加戏
让“阵营”有理有据地反转
本文我主要从文本数据挖掘入手，使用了“社交网络分析”的模型和方法（具体操作细节见附录1说明），代码用R实现。数据源为已出版的五本英文《冰与火之歌》小说。
“哎哟我去，主角领便当了！”
当我们刚开始看冰火的时候，相信很多人都和我一样，以为狼家的Edd
Stark是这个电视剧的主角，结果到第一季末尾，“哎呦我去”！咔嚓，被抹了脖子。
然后Edd的大儿子Robb领兵起义，揭开了五王之战的帷幕。我以为：“啊，原来子承父业，Robb才是真主角！”结果到了第三季末尾，“哎哟我去！”咔嚓，狼少主带着媳妇、老娘，一起被抹了脖子。
然后，一路上各色“主角”不是被抹脖子，就是在被抹脖子的路上。“主角便化当”成为了这个剧开始超神的最大利器。
不过，这只是读者们的直观感受而已。这里面有两个问题：第一，你们以为的主角真的是主角么？第二，大部分故事中，主角有光环的设定是有道理的，因为故事线一般都在主角身上，一旦主角人物死了，故事就没载体继续了。那为什么冰火敢这么“抹主角脖子”呢（想想看，如果工藤新一当初在娱乐场被一棒子敲死了，柯南估计连载不了十几年吧）？
Edd和Robb当然不是真主角。
我统计了已出版的五本书的英文原文，检索了所有出现人物的名字（附录2）。如果两个人物的名字一起出现在14个单词以内，我就认为人物A和人物B有了一次交集，就会在他们之间连一条线（附录3）。然后依据这些人物关系绘制了下面这张《冰与火之歌》社交网络图：
（图片说明：点的大小代表角色的点度，即出现频次；颜色代表walktrap聚类的结果；线的粗细代表联系的紧密程度，颜色与聚类方式一致。聚类问题将在本文第三部分具体讲述。点击看清晰大图！）
这张图可以清晰地看出原著系列的主要角色。囧雪Jon和小恶魔Tyrion，Stannis，Robb，Robert，Jamie，Cersi的圆圈都很大，而且关系网络密集。相比之下，Robb和Edd就比较小了，而且与他们相似大小的角色还有辣么多，显然他们并不是真主角。
这里面还有一个有趣的点是三眼乌鸦Bran。虽然他的圆圈不大，但是与他相连的关系线都很粗，说明Bran的故事线非常集中在某几个人身上，非常呼应他的特殊使命角色。
我们再进一步细化一下主角们之间的人物关系。我用了社交网络分析中最简单计算中心度（Centrality）的方法对主要角色们进行了对比。点度（Degree）表示对于某一个角色A，有多少角色和他有距离为1的直接联系；亲密度（Closeness）表示对于某一个角色A，他与所有角色联系的最短路径的均值；连接度（Betweenness）表示对于角色A，有多少对其他角色的联系必须通过它才能传达。得出的结果如下：
（图片说明：对106个所选角色进行中心性（Centrality）计算，然后对计算结果进行标准化处理，得出排名前20的角色名单。点击看清晰大图！）
对比这三个主要指标，这么看，Jon和Tyrion已经把其他人远远甩在身后。虽然在看书的时候，我也已经隐约猜到，但是从数据看，还是更加深了我的判断——他们才是真主角啊！（附录4：咦，龙母Daenerys怎么排名这么靠后？）
狼爸、狼少主、鹿国王等人虽然排名也很靠前，但是与他们相似的角色还有很多。所以你们就安心的领便当吧。
既然狼爸Edd他们不是真主角，为什么我们还会对他们的死感到惊讶呢？
这也许与老马丁的写作方法有关。冰火采用的是POV视角写法，每个章节都是以一个角色的视角来叙述的，而Edd是第一本书的最主要叙事者，占了18.5%的篇幅，很容易让人误以为他是主角。
“龙套哥，这里有个主角，你来客串一下”
不过，虽然不是主角，但是Edd好歹也是主要角色之一啊，怎么敢说砍就砍呢？
这就涉及到了第二个原则：给配角们连珠成线地加戏。
让我们挑一个我最爱的配角看一下——美人Brienne。
（图片说明：与Brienne有关的社交人物关系图。点击看清晰大图！）
Brienne是剧中骑士精神的典型代表，可以说是黄金配角了。作为一个配角，你可以从图中看出他的人物关系是多么复杂，与狼家、鹿家、狮家都有联系（期待与詹姆的爱情戏）。在电视剧里，他与其他配角猎狗、野人托蒙德等的对手戏也让人津津乐道。
另外，敢砍主要角色，马丁老爷子依托的是庞大复杂的人物线——少你一个根本不影响叙事。比如说，我们去掉上面那张图里的已经抹脖子的角色，看看这张关系图有什么变化。
（图片说明：把已知死亡角色删去后的社交网络图。点击看清晰大图！）
答案是变化不大，即使去掉了这些最主要的连线，整个社交网络仍然是一个整体，整个冰火的人物关系网络还是清晰、密集、复杂的。更重要的是，我么能更清楚地看到谁可能是真正的核心人物了（囧雪？小恶魔？）。
所以回到我们刚开始提到的主配角问题：看到这儿，我想你也明白了：虽然凡人必有一死，但是死的确实都是“凡人”啊。
另外，只有网铺的够大，才能在制造“惊吓”的同时不影响主线叙事。然后，让所有的配角也形象丰满、散发光彩，是这个故事好看的又一重要原因。
“我以前没的选，现在我想做个好人”
最后一个原则：让“各阵营”有理有据的反转。分阵营、反转永远是观众最喜欢看的戏码之一。阵营能够有效梳理庞杂的人物关系，制造足够有冲击力的戏剧矛盾；人物的反转则可以丰富角色形象，从多方面的减轻文艺作品中角色脸谱化问题。
来看看冰火是怎么做的。
在我们最开始的全角色社交关系网络里，共有106个角色节点，1254条人物联系，65024层关系链条。网络直径Diameter为4，密度Density为0.225（附录5）。从整体来看，这是一个不错的社交网络，说人话，就是这个网络连通度发达，但是内部仍然有分离的可能，并不是浑然一体。所以，接下来，我们就用Walktrap算法对网络进行聚类（附录6），聚类的结果如下图所示：
图片说明：Walktrap算法将106个角色主要分成了5类，modurality为0.38，分别用不同的颜色标出。点击看清晰大图！）
在聚类的结果中，可以看到角色们基本按照剧情发生的地理位置被归类。以囧雪为代表的守夜人故事线（黄色）；狼少主、小剥皮代表的北境故事线（紫色）；布兰代表的长城之外故事线（蓝色）；龙妈代表的海外故事线（橙色）；以及最大最密集的小恶魔、瑟后、詹姆、三傻、斯坦尼斯为代表的君临故事线（绿色）。
冰火对于分阵营的套路是一个典型的分总模式。在最大聚类里（绿色），几乎聚集了狼、狮、鹿、龙等各大家族的核心人物，还包括小指头、瓦里斯公公等独立角色。所以君临故事线是冰火各色门派博弈的主战场，
各阵营的冲突在这里集中地发生。同时，围绕君临，还有其他四个其他阵营。
至于角色的反转，如果再把上图加一个时间维度，则角色反转的效果就更加清晰了（附录7）。例如小恶魔的俄狄浦斯式转变。由于时间原因，这一部分就不再详述，大家可以代入一下猎狗、詹姆的经历感受之。尤其是当你看到第七季詹姆单骑屠龙的镜头，人们感叹他骑士精神的冲锋时，已经忘记他也曾经犯下一手将布兰摔残的罪。如今他想做个“好人”，那当然是选择原谅詹姆啦。
“野鸡版”剧透预警——
冰火大结局
百闻不如一见，百说不如一练。鉴于我用视角网络分析的结果，我秉承老马丁的写作套路，提前为大家草拟的一份“大结局”。
我预测，在剧集结尾，长城轰然倒塌，异鬼大举入侵。所有维斯特洛的城市居民开始抗击异鬼，最后退守君临，进行君临保卫战。君临融合所有家族和角色，各家族暂时放下成见，一致攘外，暂停安内（聚拢阵营，对外反转）。
（图片说明：HBO已经放出了最终季的海报，图中夜王骑着龙爬上了长城。异鬼最终突破长城大举入侵的情节，应该已经不难预测了。）
在战斗过程中，黄金配角山姆通过科学研究，发现异鬼重要弱点，在最后关头引导囧雪、小恶魔和龙妈等人类对抗异鬼的主力军，最后艰难地取得胜利（配角的故事线要发挥重要作用）。
但胜利的代价是如此之大，以至于他们最终全部力战而亡（没错，全都要领便当，因为反正要完结了，当然更需要意想不到地死亡了！）。
人类虽然最终击退了异鬼，但是内部的纷争再起。各大家族又开始为了权力而无休止地争斗。绿先知布兰在洞悉了这一切后，终于看透：不论时间过多久，人类总会重复犯下相同的错误，这是一个终极西西弗斯困局。人类始终无法相互理解，能让他们停止争斗的方法就只有一个，那就是适时再次从外部施加压力，让一切从头再来。
于是他用魔法重新筑起长城，然后，自己走出长城之外，将龙晶插入了自己的心脏，变身成为新的夜王。
“凛冬将至。”
社交网络分析（Social Network
Analysis）是指基于信息学、数学、社会学、管理学、心理学等多学科的融合理论和方法，为理解人类各种社交关系的形成、行为特点分析以及信息传播的规律提供的一种可计算的分析方法。社交网络（或社会网络）的概念在1954年由J.
A. Barnes最先提出。
在分词统计人物关系时，我手动修改了两个参数：第一是人物代号，例如Tyrion在剧中还经常被称作小恶魔（Imp）、侏儒（halfman）等，我将其统一为官方名称，统一的标准参考冰火维基；第二是边缘人物，在全书中有全名的角色过多，我手动删除了其中关系数过小的人物，最后保留了106个核心人物。
统计人物关系的方法来自于Andrew.J.Beveridge教授，他是玛卡莱斯特学院（Macalester
College）数学系副教授。2016年的时候他与他的学生Jie Shan就用网络科学分析了《冰与火之歌》的人物关系（Network
Of Throne），但是数据样本仅仅是第三卷A Storm of
Swords。我增加了样本量，将统计范围扩大到了已出版的全部5卷。Andrew教授用的是15个单词的标准。我统计了全书文字，发现全书平均句长约为14个单词，于是将范围修改为14。
从主观感觉来说，龙妈Daenerys确实是书中最重要的角色之一。但是数据的统计结果并没有显示出来。主要原因是龙妈常年在维斯特洛大陆以外的地区活动，与主要角色们的交集过少，所以在统计中不算显眼。使用Pagerank算法的话可以有效减少地域的影响，但是本文没有更深入探讨。
Density网络密度，即刻画网络中节点之间联系的密集程度，数学意义为网络中实际存在的边数与可容纳的边数上限的比值。
Walktrap算法是一种随机游走算法，基本的聚类思想是：从一个顶点向下一个顶点移动时，以相等的概率来选择当前顶点的一个邻居作为下一个顶点。
由于时间有限，就没有添加时间维度的分析。Teradata数据网站的作者们在这方面做了一些研究，他们以冰火中大事件为时间节点，进行了时间序列的相关分析。虽然主题是预测角色死亡，但是方法值得借鉴。
DT君送福利：本文数据处理和分析部分使用了R和python完成，涉及到的主要package是igraph。为了避免重叠效果，最后社交网络制图用gephi呈现。更多的分析过程、数据、代码，已经保存在github中，关注DT数据侠（DTdatahero）后台回复“冰火”，获取github链接，一起来探索研究吧！
数据侠门派
本文数据侠程牛，石塘咀流沙包爱好者，考据癖患者，喜欢用数据一本正经地胡说八道。
加入数据侠
“数据侠计划”由第一财经数据新媒体DT财经发起的数据人社群平台，旗下有数据侠专栏、数据大咖及爱好者社群、线上线下“数据侠实验室”系列活动等项目。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。拒绝访问 |
| 百度云加速
请打开cookies.
此网站 () 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(3b847b-ua98).
重新安装浏览器，或使用别的浏览器苹果/安卓/wp
积分 519, 距离下一级还需 281 积分
权限: 自定义头衔, 签名中使用图片
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发下一级可获得
权限: 隐身
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
难过签到天数: 2 天连续签到: 1 天[LV.1]初来乍到
本帖最后由 commercial 于
18:29 编辑
有项目需要绘制社交网络图那样的东西，因为是连续性项目（可能2-3年，每年若干期），
所以很有必要整个一劳永逸的方法绘图
我曾建议使用ucnet 或者 pjak （就是二楼那个） 。
但是负责数据挖掘的那个人看了下说不行。
头儿希望我研究下ggplot，我初步看了下xieyihui的书，好像ggplot并没有这方面的模块。
担心ggplot在绘制这类图形方面缺乏优势
所以，上来发贴求助：请大家指导下，防止走弯路。
数据格式：excel文件，
a/b节点名称，关联强度（数值），……等等
目标： 就是网络上搞微博研究常见的那种节点图这样的东东
载入中......
&&kankan Pajek
不知道其他包行不行，比如igraph
总评分:&学术水平 + 1&
热心指数 + 1&
初级热心勋章
初级热心勋章
初级信用勋章
初级信用勋章
初级学术勋章
初级学术勋章
中级热心勋章
中级热心勋章
高级热心勋章
高级热心勋章
  |
  |
  |
  |
  |
  |
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师基于R语言的社交网络分析；胡志健(东华大学信息科学与技术学院,上海2016；摘要：随着互联网技术的快速发展，以及智能移动设备；关键字：数据挖掘，社交网络，R，Python，可；Asocialnetwork’sanalysis；Abstract：Withtherapiddev；Keywords:datamining，soci；近年来，随着网络的普及，我国互联网
基于R语言的社交网络分析 胡志健
( 东华大学信息科学与技术学院,
上海201620） 摘要：随着互联网技术的快速发展，以及智能移动设备的普及，我们生活在了一个数据快速增长的年代。每天都有来自商业、科学、社交、工业生产等各个不同领域数据存储于计算机网络中。存储技术的不断改进，加上批量化设备生产，使得数据的存储成本大大降低，海量数据的挖掘与应用的大数据时代正逐步向我们走来。在互联网上，用户量最大的无疑是社交网络。网民可以在如新浪、腾讯、人人网等国内社交网络上快速发布、分享、评论信息。海量的信息存在于网络中，为数据挖掘提供了前提条件。本文借助R语言与Python脚本从人人网获取好友列表，借助igraph工具包对作者的好友分布做可视化分析，绘制了好友关系拓扑图，找到了中介度最高人。 关键字：数据挖掘，社交网络，R，Python，可视化分析
A social network’s analysis based on R language Abstract：With the rapid development of Internet technology, and the wide spread of smart mobile devices, we are living in an era of large amounts of data increases rapidly. Every day, from business, science, social, industrial production and other data of various fields stored in computer network. With the continuous improvement of storage technology, and the production of batch equipment, the storage cost of data is greatly reduced, and the data mining and application of large data era is gradually coming to us.On the Internet, the biggest user is undoubtedly social networks. Internet users can quickly publish, share and comment on social networks such as Sina, Tencent, and Renren. The vast amount of information exists in the network, which provides the premise for data mining. With the help of R language and python scripts, I get buddy list from Renren. Using igraph kit to do the visual analysis of author's friends distribution, render the friend relationship with topological graph, and find
the intermediary of the supreme. Keywords: data mining，social network，R，Python，visual analysis
近年来，随着网络的普及，我国互联网行业有了很大的发展，尤其是移动互联网，出现了爆发式的发展。网络世界里发生着巨大的变化，不管是网民的规模、上网的方式，还是上网目的等方面。尤其是最近四五年，互联网行业似乎总是绕不开社交网络这个概念。无论是国外或是国内，Facebook、Twitter、微博、QQ、人人网等，还是如雨后春笋般冒出来的各大在线购物网站，或多或少地体现着SNS（社交网络服务）的特色。在丰富人们日常生活的同时，也为广大的科研人员提供了海量的数据。以往只能通过有限的调研如问卷或模拟才能进行的社会网络分析（SNA）,现在却具备了大规模开展和实施的条件。本文基于国内典型SNS网站“人人网”的好友数据，借助统计分析语言R语言做了社交网络分析的一些尝试。 一、获取数据 1.Python脚本 数据分析与挖掘的第一步，便是获取数据。得益于人人网的开放平台，借助Python脚本实现自动读取人人网好友信息（ID、姓名）并保存。 人人开放平台使用OAuth 2.0作为验证与授权协议。OAuth是一个开放标准，允许第三方应用在用户授权的情况下访问其在网站上存储的信息资源（如照片、视频、好友列表），而这一过程中网站无需将用户的账号密码告诉给第三方应用。为了获取人人好友列表，需要借助脚本模拟登陆读取网页数据。 # Python 读取好友列表代码： def get_list(uid):
pagenum = 0
print u\开始解析好友列表\
os.remove(str(uid)+\
ffi = open(str(uid)+\
ffi.write(s)
while True:
res = urllib2.urlopen(page)
html = res.read()
pattern = '<a href=\src=\alt=\
m = re.findall(pattern, html)#查找目标
if len(m) == 0:
break#不存在
for i in range(0, len(m)):
userid = m[i][0]
uname = m[i][1]
s = str(userid+\
s = str(userid+\
ffi.write(s)
pagenum += 1
ffi.close()
print u\好友列表分析完毕.\ 2. 数据预处理 得到数据后需进行预处理去除ID与姓名以外的其他记录，数据格式如下表1所示：
表（1）好友列表格式 ID 4737068
姓名 张三 李四 二、数据分析 本文分析的焦点在于作者的好友之间形成的网络，因此考虑做网络图来直观展示网络的结构。借助脚本读取我的好友，以及每一位好友的好友列表。首先，从文件中读取数据，在数据集中筛选出希望分析的子集。这个子集包括两个条件： （1）网络中没有作者自己； （2）网络中的用户都是作者自己的好友。 #筛选数据部分R代码： mfrd <-read.table(\#依次读取各个好友列表，求出好友关系图 mfid <-mfrd[,1]
file.remove(\for(i in (1:length(mfid))) {
mffrd = read.table(paste(as.character(mfid[i]),\ ffidx = mffrd[,1]
crel = intersect(mfid,ffidx) #C
三亿文库包含各类专业文献、幼儿教育、小学教育、文学作品欣赏、高等教育、专业论文、应用写作文书、中学教育、生活休闲娱乐、基于R语言的社会网络分析19等内容。
社会网络分析_专业资料。网络分析社会学社会网络分析――经济社会学的一种解释范式 社会网络分析――经济社会学的一种解释范式 ―― 作者: 发布时间: ... 科技情报检索检索报告题 班姓目:基于社会网络分析的 Blog 社区发现 级: 名: 指导教师: 成绩: 2016 年 4 月 22 日 1、 检索课题 基于社会网络分析的 Blog ... 社会网络分析_社会学_人文社科_专业资料。社会网络分析 - MBA 智库百科《复杂网络软件分析与评价》 复杂网络软件纷繁复杂,远不止文中所提及的 9 个软件。复杂网络... 对一个社会网络来说,接近中 心势越高,表明网络中节点的差异性越大,反之,则表明网络中节点间的差异越小。 2.2 凝聚子群分析 当网络中某些行动者之间的关系... 从社 会网络的角度出发, 人在社会环境中的相互作用可以表达为基于关系的一种...竞争情报分析; 7.语言的关联,符号意义; 8.相关矩阵或差异矩阵的统计分析,类似... 社会网络分析方法(总结)_社会学_人文社科_专业资料。社会网络分析方法 SNA分析软件 ? 第一类为自由可视化SNA 软件,共有Agna 等9 种软件,位于图1 的右上角,这... [6]基于社会网络分析的产业集群建模及实证检验 王霄宁,系统工程,-119 近几年产业集群对地区经济发展影响显著,吸引了许多学者加入到产业集群 研究中,... 16 一、 设计题目【实验题目】社会网络分析系统的设计和实现 【问题描述】实现一个社会网络分析系统。 【基本要求】系统功能主要包括: 1)对 email 数据进行预处理...扒完社交网络关系才明白，《权力的游戏》凭什么是神作 | EGO影视荟
“ Valar Morghuli ，凡人皆有一死。”
“没错，但那是 ‘凡人’ 。关注 EGONetworks 公众号的，都不是凡人。”
作者 | 程牛
技术支持 | 东莞熊女士
当你看冰火的时候，你在看什么？
作为一个《冰与火之歌》的资深迷弟，看到如今的冰火电视剧完全脱离书本进度，在第七季里更是抛弃了原作诡谲多变的气质，开始转向画风浮躁、强调血脉喷张效果的好莱坞大片风格，这让我一个原著党深感不满。
在起初追剧的时候，平心而论，我对其中华丽的战争场面、香艳镜头（此处少儿不宜）以及高傲的中世纪骑士文化最感兴趣。但随着剧集的发展，我的重心逐渐转向了其中形象丰满的人物身上。他们隐秘的复杂感情、斗智斗勇的角逐、诡谲多变的选择以及背后神奇的魔幻设定，都让我心旷神怡。遂从剧党倒戈书党，弃暗投明。
（ 图片说明：宏大的战争场景是冰火这部戏最大看点之一，囧雪复活后的这场私生子大战，高度还原了中世纪步兵、骑兵、弩手配合作战的史实，令人窒息的逼真程度令人惊叹不已。）
电视剧在前五季其实是忠于原著的，但是到了第七季，夜王突变奥运会标枪选手；原最强谋略家小指头堕落为北境第一大混子；囧雪和姑姑突然被爱情撞了一下腰；维斯特洛大陆上到处都是“任意门”…….
（图片说明：由于受电视剧长度的限制，在第七季的冰火中，编剧为了火速推进剧情，抛弃了大量的伏笔和细节，导致 bug 无数。Instagram 等社交网络出现了大量网友自制表情包，讽刺剧组的这种省事儿的做法。图为讽刺囧雪的叔叔班扬史塔克，在第七季第六集莫名其妙地出现然后又牺牲的桥段；图片来源：Instagram @thronesmemes ）
对于 HBO 这种做法，我除了在社交网络上发帖讽刺以外，却也不禁扪心自问：在编剧们已经放弃观众智商的情况下，我为什么还要追剧呢？想来想去，答案只有一个：《冰与火之歌》讲述了一个好故事。因为在看冰火的时候，我并不只是看打仗、香艳、CG 的镜头，更吸引我的是这一整个充满血和肉的史诗故事。
那么问题来了，冰火作为一个公认的“好故事”，它的秘诀究竟在哪里呢？
尤瓦尔·赫拉利在《人类简史》中说：人类在演化中获得的讲故事（即描述虚构事物）的能力，是他们称霸世界的关键。人类天生爱听故事，而故事的核心则源于人本身。我认为冰火作为一个好故事，关键就在于其塑造的一个个真实可感的人物形象。所以，我决定从人物入手，分析一下冰火的故事套路，为自己下次吹水“打下坚实的理论基础”。
先亮出我的结论。要写好一个故事，冰火告诉你，需遵循三原则：
让“主角”意想不到地死亡；
给“配角”连珠成线地加戏；
让“阵营”有理有据地反转；
本文我主要从文本数据挖掘入手，使用了“社交网络分析”的模型和方法（具体操作细节见附录1说明），代码用R实现。数据源为已出版的五本英文《冰与火之歌》小说。
“哎哟我去，主角领便当了！”
当我们刚开始看冰火的时候，相信很多人都和我一样，以为狼家的 Edd Stark是这个电视剧的主角，结果到第一季末尾，“哎呦我去”！咔嚓，被抹了脖子。
然后 Edd 的大儿子 Robb 领兵起义，揭开了五王之战的帷幕。我以为：“啊，原来子承父业，Robb 才是真主角！”结果到了第三季末尾，“哎哟我去！”咔嚓，狼少主带着媳妇、老娘，一起被抹了脖子。
然后，一路上各色“主角”不是被抹脖子，就是在被抹脖子的路上。“主角便化当”成为了这个剧开始超神的最大利器。
不过，这只是读者们的直观感受而已。这里面有两个问题：
你们以为的主角真的是主角么？
大部分故事中，主角有光环的设定是有道理的，因为故事线一般都在主角身上，一旦主角人物死了，故事就没载体继续了。
那为什么冰火敢这么“抹主角脖子”呢（想想看，如果工藤新一当初在娱乐场被一棒子敲死了，柯南估计连载不了十几年吧）？
Edd 和 Robb 当然不是真主角。
我统计了已出版的五本书的英文原文，检索了所有出现人物的名字。如果两个人物的名字一起出现在14个单词以内，我就认为人物 A 和人物 B 有了一次交集，就会在他们之间连一条线。然后依据这些人物关系绘制了下面这张《冰与火之歌》社交网络图：
（图片说明：点的大小代表角色的点度，即出现频次；颜色代表 walktrap 聚类的结果；线的粗细代表联系的紧密程度，颜色与聚类方式一致。聚类问题将在本文第三部分具体讲述。点击看清晰大图！）
这张图可以清晰地看出原著系列的主要角色。囧雪 Jon 和小恶魔 Tyrion ，Stannis ，Robb ，Robert ，Jamie ，Cersi 的圆圈都很大，而且关系网络密集。相比之下，Robb 和 Edd 就比较小了，而且与他们相似大小的角色还有辣么多，显然他们并不是真主角。
这里面还有一个有趣的点是三眼乌鸦 Bran 。虽然他的圆圈不大，但是与他相连的关系线都很粗，说明 Bran 的故事线非常集中在某几个人身上，非常呼应他的特殊使命角色。
我们再进一步细化一下主角们之间的人物关系。我用了社交网络分析中最简单计算中心度（ Centrality ）的方法对主要角色们进行了对比。点度（ Degree ）表示对于某一个角色 A ，有多少角色和他有距离为1的直接联系；亲密度（ Closeness ）表示对于某一个角色 A ，他与所有角色联系的最短路径的均值；连接度（ Betweenness ）表示对于角色 A ，有多少对其他角色的联系必须通过它才能传达。得出的结果如下：
（图片说明：对106个所选角色进行中心性（ Centrality ）计算，然后对计算结果进行标准化处理，得出排名前20的角色名单。点击看清晰大图！）
对比这三个主要指标，这么看，Jon 和 Tyrion 已经把其他人远远甩在身后。虽然在看书的时候，我也已经隐约猜到，但是从数据看，还是更加深了我的判断——他们才是真主角啊！（咦，龙母 Daenerys 怎么排名这么靠后？） 狼爸、狼少主、鹿国王等人虽然排名也很靠前，但是与他们相似的角色还有很多。所以你们就安心的领便当吧。
既然狼爸 Edd 他们不是真主角，为什么我们还会对他们的死感到惊讶呢？
这也许与老马丁的写作方法有关。冰火采用的是 POV 视角写法，每个章节都是以一个角色的视角来叙述的，而 Edd 是第一本书的最主要叙事者，占了18.5%的篇幅，很容易让人误以为他是主角。
“龙套哥，这里有个主角，你来客串一下”
不过，虽然不是主角，但是 Edd 好歹也是主要角色之一啊，怎么敢说砍就砍呢？这就涉及到了第二个原则：给配角们连珠成线地加戏，让我们挑一个我最爱的配角看一下——美人 Brienne 。
（图片说明：与 Brienne 有关的社交人物关系图。点击看清晰大图！）
Brienne 是剧中骑士精神的典型代表，可以说是黄金配角了。作为一个配角，你可以从图中看出他的人物关系是多么复杂，与狼家、鹿家、狮家都有联系（期待与詹姆的爱情戏）。在电视剧里，他与其他配角猎狗、野人托蒙德等的对手戏也让人津津乐道。
另外，敢砍主要角色，马丁老爷子依托的是庞大复杂的人物线——少你一个根本不影响叙事。比如说，我们去掉上面那张图里的已经抹脖子的角色，看看这张关系图有什么变化。
（图片说明：把已知死亡角色删去后的社交网络图。点击看清晰大图！）
答案是变化不大，即使去掉了这些最主要的连线，整个社交网络仍然是一个整体，整个冰火的人物关系网络还是清晰、密集、复杂的。更重要的是，我们能更清楚地看到谁可能是真正的核心人物了（囧雪？小恶魔？）。
所以回到我们刚开始提到的主配角问题，看到这儿，我想你也明白了：虽然凡人必有一死，但是死的确实都是“凡人”啊。
另外，只有网铺的够大，才能在制造“惊吓”的同时不影响主线叙事。然后，让所有的配角也形象丰满、散发光彩，是这个故事好看的又一重要原因。
“我以前没的选，现在我想做个好人”
最后一个原则：让“各阵营”有理有据的反转。分阵营、反转永远是观众最喜欢看的戏码之一。阵营能够有效梳理庞杂的人物关系，制造足够有冲击力的戏剧矛盾；人物的反转则可以丰富角色形象，从多方面的减轻文艺作品中角色脸谱化问题。
来看看冰火是怎么做的：
在我们最开始的全角色社交关系网络里，共有106个角色节点，1254条人物联系，65024层关系链条。网络直径 Diameter 为4，密度 Density 为0.225。从整体来看，这是一个不错的社交网络，说人话，就是这个网络连通度发达，但是内部仍然有分离的可能，并不是浑然一体。所以，接下来，我们就用 Walktrap 算法对网络进行聚类，聚类的结果如下图所示：
（ 图片说明：Walktrap 算法将106个角色主要分成了5类，modurality 为0.38，分别用不同的颜色标出。点击看清晰大图！）
在聚类的结果中，可以看到角色们基本按照剧情发生的地理位置被归类。以囧雪为代表的守夜人故事线（黄色）；狼少主、小剥皮代表的北境故事线（紫色）；布兰代表的长城之外故事线（蓝色）；龙妈代表的海外故事线（橙色）；以及最大最密集的小恶魔、瑟后、詹姆、三傻、斯坦尼斯为代表的君临故事线（绿色）。
冰火对于分阵营的套路是一个典型的分总模式。在最大聚类里（绿色），几乎聚集了狼、狮、鹿、龙等各大家族的核心人物，还包括小指头、瓦里斯公公等独立角色。所以君临故事线是冰火各色门派博弈的主战场， 各阵营的冲突在这里集中地发生。同时，围绕君临，还有其他四个其他阵营。
至于角色的反转，如果再把上图加一个时间维度，则角色反转的效果就更加清晰了。例如小恶魔的俄狄浦斯式转变。由于时间原因，这一部分就不再详述，大家可以代入一下猎狗、詹姆的经历感受之。尤其是当你看到第七季詹姆单骑屠龙的镜头，人们感叹他骑士精神的冲锋时，已经忘记他也曾经犯下一手将布兰摔残的罪。如今他想做个“好人”，那当然是选择原谅詹姆啦。
“野鸡版”剧透预警—— 冰火大结局
注：后文为作者在《权利的游戏》第七季已经完结之前的推断剧情，无关剧透。
百闻不如一见，百说不如一练。鉴于我用视角网络分析的结果，我秉承老马丁的写作套路，提前为大家草拟的一份“大结局”。
我预测，在剧集结尾，长城轰然倒塌，异鬼大举入侵。所有维斯特洛的城市居民开始抗击异鬼，最后退守君临，进行君临保卫战。君临融合所有家族和角色，各家族暂时放下成见，一致攘外，暂停安内（聚拢阵营，对外反转）。
（图片说明：HBO 已经放出了最终季的海报，图中夜王骑着龙爬上了长城。异鬼最终突破长城大举入侵的情节，应该已经不难预测了。）
在战斗过程中，黄金配角山姆通过科学研究，发现异鬼重要弱点，在最后关头引导囧雪、小恶魔和龙妈等人类对抗异鬼的主力军，最后艰难地取得胜利（配角的故事线要发挥重要作用）。
但胜利的代价是如此之大，以至于他们最终全部力战而亡（没错，全都要领便当，因为反正要完结了，当然更需要意想不到地死亡了！）。
人类虽然最终击退了异鬼，但是内部的纷争再起。各大家族又开始为了权力而无休止地争斗。绿先知布兰在洞悉了这一切后，终于看透：不论时间过多久，人类总会重复犯下相同的错误，这是一个终极西西弗斯困局。人类始终无法相互理解，能让他们停止争斗的方法就只有一个，那就是适时再次从外部施加压力，让一切从头再来。
于是他用魔法重新筑起长城，然后，自己走出长城之外，将龙晶插入了自己的心脏，变身成为新的夜王。
“凛冬将至。”
社交网络分析（ Social Network Analysis ）是指基于信息学、数学、社会学、管理学、心理学等多学科的融合理论和方法，为理解人类各种社交关系的形成、行为特点分析以及信息传播的规律提供的一种可计算的分析方法。社交网络（或社会网络）的概念在1954年由 J. A. Barnes 最先提出。
在分词统计人物关系时，我手动修改了两个参数：第一是人物代号，例如 Tyrion 在剧中还经常被称作小恶魔（ Imp ）、侏儒（ halfman ）等，我将其统一为官方名称，统一的标准参考冰火维基；第二是边缘人物，在全书中有全名的角色过多，我手动删除了其中关系数过小的人物，最后保留了106个核心人物。
统计人物关系的方法来自于 Andrew.J.Beveridge 教授，他是玛卡莱斯特学院（ Macalester College ）数学系副教授。2016年的时候他与他的学生 Jie Shan 就用网络科学分析了《冰与火之歌》的人物关系（ Network Of Throne ），但是数据样本仅仅是第三卷 A Storm of Swords 。我增加了样本量，将统计范围扩大到了已出版的全部5卷。Andrew 教授用的是15个单词的标准。我统计了全书文字，发现全书平均句长约为14个单词，于是将范围修改为14。
从主观感觉来说，龙妈 Daenerys 确实是书中最重要的角色之一。但是数据的统计结果并没有显示出来。主要原因是龙妈常年在维斯特洛大陆以外的地区活动，与主要角色们的交集过少，所以在统计中不算显眼。使用 Pagerank 算法的话可以有效减少地域的影响，但是本文没有更深入探讨。
Density 网络密度，即刻画网络中节点之间联系的密集程度，数学意义为网络中实际存在的边数与可容纳的边数上限的比值。
Walktrap 算法是一种随机游走算法，基本的聚类思想是：从一个顶点向下一个顶点移动时，以相等的概率来选择当前顶点的一个邻居作为下一个顶点。
由于时间有限，就没有添加时间维度的分析。Teradata 数据网站的作者们在这方面做了一些研究，他们以冰火中大事件为时间节点，进行了时间序列的相关分析。虽然主题是预测角色死亡，但是方法值得借鉴。
本文转载自公众号 DT数据侠。
9月1日至9月15日，EGO会员招募季正式开启，点击「阅读原文」抓紧报名！
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点
