说说信息的祖源成分
面对每日来临的海量资讯，要是有人（或者算法）能对信息进行分类，给出阅读难度，文章风格，涉及的知识领域那该有多好啊。这样的方法可以应用到今日头条这样的资讯类APP上，也可以应用图书销售类网站的推荐系统上，例如推荐相同类别的书。
要想开发这样的应用，一个可以借鉴的方法是生物上的祖源鉴定，类似23rd and me 给出的结果，如下图：
这样的结果是怎么算出来的了，这里需要介绍一些生物学上的知识，即SNP的概念，DNA是本由ACGT四个字母写成的书，在特定的点上，会出现差异，有的人是A，有的人是C，在不同人群中，也会有所差异，例如在中国人群体中，某个点A出现的概率是80%，而在非洲人中，C出现的概率则会是80%。祖源鉴定，正是利用了不同群体中大量SNP位点的差异这一信息进行判定的。
这些和信息的分类有什么关系，类比一下，信息中也有很多SNP，比如一个词可以用多个同义词，不同的人会有不同的偏好，词语按不同的感情色彩分为负面，正面，中性，词语还可以按照难度进行分类，可以按照所属的领域进行分类，这样一来，就可以使用类似的方法，去判断一篇文章一本书属于那一类，是否是同一个作者写的。
举个例子，Text analysis of Trump’s tweets confirms he writes only the (angrier) Android half” 这篇文章就是利用川普推特中来自iphone和安卓手机的不同词语的出现频率来判断一个是来自与川普本人，一个是是来自其竞选团队。参考
http://mp.weixin.qq.com/s?src=3×tamp=1474188129&ver=1&signature=eXmir8z2OsFLUQc8-bKHKxsZOQ2A*VpG1IWayjtZ-k8mNkyOK1gm2*kwb30HOkPTYhfL0QnnoLRCcN6xAaofv8SY5mhIREEtghQlpFzWPqWcYjjiOgKsccXItgg-50odVw7cB7JlLX*07-8AOd455U9sReuxMUf7jnVto*Da0fo=
而另一个来自其本人。另一个例子是判定红楼梦前80回和后40回是否是同一个作者，也利用了文言文中虚词的不同使用习惯，作为特征提取的方式。之后使用SVM分类，参考：
之后开一开脑洞，要做文章的难度，类型，风格等的分类，首先要做的是给出一组meme的SNP列表，可以是近义词，可以是一对正式的及非正式的词，也可以不同领域下同一个词的不同搭配方式，之后使用Affinity propagation(AP)聚类算法 或者 PCA降维，或者在有了分类所用的背景数据后，用随机森林，SVM等分类器对文章进行分类，在读者阅读前，给出文章的标签，以及每个标签对应的信息来源。
总结一下，这里探讨了一种新的自然语言处理的应用场景和相应的方法框架。生物信息中的很多方法借鉴与自然语言处理，而本文提供了一个反哺的例子。不同领域间的跨界迁徙，可以让我们获得创造力。