文墨不通只能永远把艰辛的劳动看作是生命的必要;即使没有收获的指望,也能心平气和的继续耕种。首页关于听”女驸马”之经典之美2015年1月27日spwen            阅读(203)姜还是老的辣，”女驸马”称的上是黄梅戏中最传统、最经典的剧目了。经过这么多年的打磨，堪称完美，曲美细腻，感情丰富，剧情流畅。“女驸马”的剧情算是相当复杂的，往往复杂剧情的演绎，就免不了絮叨，甚至过量絮叨于交待背景，解说隐情，使人无法感受戏曲的深刻，更谈不上共鸣和震撼了。”女驸马”情节演绎曲折多跛，高潮迭起，其编曲相当精巧，剧目编排紧凑合理，在开幕时，冯素珍几句绣楼独叹，交清晰地交待了复杂的背景，没有丝毫地絮叨之感。生母早亡，继母偏亲，兄长投舅的凄凌生世，也道出了与李兆廷自幼相识，同窗伴读，彼此生情，并有生母生前结许媒约，自然流畅，引人入镜。在中状元时，一曲”谁料皇榜中状元”，既体现了冯素贞聪明、睿智，又省却了冗长的情境演绎——寻兄长不见，无奈替考，三榜得中，钦点状元。洞房时，一段急促的戏文，道尽了冯素贞一路的辛酸，善良，勇敢和聪慧，也打动了公主，使得全曲能以喜剧做结，皆大欢喜。以前，听吴晾的戏不是太多，记忆深刻的一部应数是马兰主演版”女驸马”中的公主，当时给人印象就极其深刻。现如今，仍属宝刀未老，对整曲掌控如行云流水般，声线优美韵长。对于黄德新，从”龙女”中的姜文玉熟悉他之后，大量作品仍为大众熟知，可惜岁月不留人，在剧中出演皇帝一角。不由得想起牛郎织女中的出演王母的吴亚玲，都是岁月悠悠吧。2014.12.23 长安大戏院 女驸马(吴琼, 黄新德等)分类: 曲剧闲谭, 点滴生活标签: 吴琼, 女驸马, 经典, 黄新德, 黄梅戏听”寂寞汉卿”——悯元读书之人2015年1月17日spwen            阅读(160)优孟衣冠，百戏颠连，参军苍鹘，瓦肆勾栏。搬演尽世道沧桑人生冷暖，调风月总是那离合悲欢。芙蓉面伴着英雄胆，你也在其间，我也在其间……    一曲悲怆清音，道尽整个元朝读书人的苦楚、辛酸、无奈、颠狂。人分十等，儒者数九。读书无以言志，读书无以齐家，读书无以治国，当读书出路坍塌，就无以言格物、致知、诚意、正心和修身；无奈混生活于伶优之间(元人等级，娼人数八)，写酸曲、谱苦楚寄世。     可怜汉卿，生不逢时。一部寂寞汉卿演绎地是寂寞的元朝读书人，他们在正史中寂寞，他们生活中寂寞。幸遇知音——伶人朱簾秀，知其心境，一人书曲，解世人凄苦，一人呤曲，喧世道不平。共作精卫，衔石填世道不平之海，担当公平正义，哺育友善良知。奈何海之阔深，簾秀只得白绫一束，将生命结于公平正义之前。汉卿又只能在西风中寂寞了……     整部黄梅戏，刘国平和吴美莲演绎得特别好，特别喜欢吴美莲的唱段，婉转悠长。曲中大部分词，都谱写得特别好，蕴长却丝毫不晦涩。戏曲场景转换设计巧妙，尽力将复杂地情境，清晰精巧地呈现在观众面前。     然而，本曲确实存在许多瑕疵的地方。情节设计不大合理，经不起推敲；和所有述人的黄梅戏一样，曲段冗长，难突现最主人公的感情，本曲主人公为伶人和墨客，感情应该十分细腻，丰富，然而为了情节更加完整，在感情上表现不足，使人听完后，虽能使人了解元文人的悲苦，但很难引起人们的共鸣。2015.1.16 长安大戏院 寂寞汉卿(刘国平, 吴美莲等)分类: 曲剧闲谭, 点滴生活标签: 关汉卿, 刘国平, 吴美莲, 黄梅戏谱聚类算法(Spectral Clustering)优化与扩展2015年1月4日spwen            阅读(169)    谱聚类(Spectral Clustering, SC)在前面的博文中已经详述，是一种基于图论的聚类方法，简单形象且理论基础充分，在社交网络中广泛应用。本文将讲述进一步扩展其应用场景:首先是User-Item协同聚类，即spectral coclustering，之后再详述谱聚类的进一步优化。1 Spectral Coclustering1.1 协同聚类(Coclustering)在数据分析中，聚类是最常见的一种方法，对于一般的聚类算法(kmeans, spectral clustering, gmm等等)，聚类结果都类似图1所示，能挖掘出数据之间的类簇规律。图1 聚类结果图    即使对于常见的数据User-Item评分矩阵(常见于各社交平台的数据之中，例如音乐网站的用户-歌曲评分矩阵，新闻网站的用户-新闻评分矩阵，电影网站的用户-电影评分矩阵等等)，如表1所示。在聚类分析中，也常常将数据计算成User-User的相似度关系或Item-Item的相似度关系，计算方法诸如应用Jaccard距离，将User或Item分别当成Item或User的特征，再在此基础上计算欧氏距离、cos距离等等。表1 User-Item评分矩阵    但是如果能聚类成如图2中的coclustering关系，将User和Item同时聚类，将使得数据结果更具意义，即在音乐网站中的用户和歌曲coclustering结果表明，某些用户大都喜欢某类歌曲，同时这类歌曲也大都只被这群用户喜欢着。这样，不管是用于何种场景(例如歌曲推荐)，都将带来极大的益处。图2 coclustering图1.2 Spectral Coclustering    对于User-Item评分矩阵，这是一个典型的二部图(Bipartite Grap)，Item-User矩阵A，假设A为N*M，即N个item和M个user，可展开成:其中E为(M+N)*(M+N)的方阵，且对称。    对于A的二部图，只存在Item与User之间的邻接边，在Item(User)之间不存在邻接边。再用谱聚类原理——将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远。这样的聚类结果将Cut尽量少的边，分割出User和Item的类，如果类记Ci(U,I)为第i个由特定的User和Item组成的类，由谱聚类原理，Cut掉的Ci边为中的User或Item与其它类Cj(j≠i)的边，且其满足某种最优Cut方法，简单地说，Cut掉的User到其它类Cj(j≠i)的Item的边，可理解为这些User与其它Item相似关系较小；同样Cut掉的Item到其它类Cj(j≠i)的User的边，可理解为这些Item与其它User相似关系较小。这正好满足coclusering的定义。在谱聚类的基础上，再实现Spectral Coclustering，十分简单， 将E直接当成谱聚类的邻接矩阵即可，至于求Laplacian矩阵、求特征值、计算Kmeans，完成与谱聚类相同。    PS:更多详情，请参见参考文献1。2 谱聚类的半监督学习假设有大量新闻需要聚类，但对于其中的部分新闻，编辑已经人工分类好了，例如(Ni1,Ni2, …, Nim)，为分类好的第i类，那么对于人工分类好的数据，就相当于聚类中的先验知识(或正则)。在聚类时，可相应在邻接矩阵E中增加类彼此间邻接边，并使得其邻接