历史学家的新技艺：遥读作为史料的电子邮件

每一行都可以被理解成一个主题，其格式分别代表主题编号、在数据集中的比率以及词群。词群不是简单的高频词叠加，虽然不免也有一些不相干的词乱入，但总体来看聚集起来的还是能够讲故事的相关联实体。看到不同的词群，许多往事立马就涌上心头。比如主题7，看到了北大历史系许多熟悉的名字，反映了笔者在北大读书期间的生活经历。关键词表明了大部分内容都跟学生工作相关，没错，“发件王”H就名列其中。在南海研究中心担任秘书的经历，体现在了主题6之中。曾经做辅导员的经历也被挖掘出来了，“辅导员”就是要跟不同学生打交道，与学生们的互动也就相当频繁，主题10还有诸如“申请表”等关键词，透露着学生工作的事务性。

主题模型精准提取主题的能力有时候令人惊讶。主题2分明是一个学生在国外（加拿大）发来的问候；而主题29则是笔者开设的《基督教文明史》、《德意志精神与文化》等课程，与学生们的课程交流。这两个主题在邮件集中属于小众内容，居然也被算法提取出来了。

文本聚类的算法为我们深入理解庞杂的电邮数据集提供了一种指引。有效信息当然不止步于每个主题的10个关键词。实际上，算法还提供了更加丰富的细节，不过它们往往以数据矩阵的方式存在，让我们历史学者一看就感觉头大。比如，它们可能是这样的：

或者是这样的：

我们需要换一种更加直观的方式来观察数据的细节。实际上，这些数据能够更清晰地描绘Chauvin用电子邮件编织起来的“书信空间”，并且彰显其独有的属性。比如，那位“发件王”H，TA究竟在发什么？屈尊第二的G，又有哪些不同？WH2与WH12在跟Chauvin交流什么？R用德语跟Chauvin在讨论什么问题？

每个主题用10个词来表达，是笔者的人为设定。实情是，算法给出了远远多于10个关键词的主题矩阵，而且每个词具有不同的权重。我们可以效法文字云，做出主题的词云来，每个主题的细节更加丰富了。于是，仍然以主题7为例，我们看到了诸如“报告会”、“研究生院”、“组织部”等词，北京大学的生活经历就变得愈加立体了。我们也看到广告邮件的顽强存在感，主题33表明Chauvin是“当当网”的忠实客户，但他不过是在他们家买了一些书，却被推送了许多不相关的商品。主题13则显示Chauvin是12306在线购买火车票的重度依赖者。

主题词云