从话本到算法：公案小说人情叙事的数字化重生

当《三侠五义》中包拯与展昭的人情纠葛，被转化为推荐算法的用户情感标签，我们看到的不仅是古典文学的数字化，更是叙事逻辑的技术重构。新华书店古典小说价格联盟的技术团队，在分析白话长篇与白话短篇的传播数据时发现，公案小说人情叙事中“情理博弈”的张力，恰恰是当代用户留存的核心驱动力。

在技术落地上，我们主要聚焦三个维度：

• 情感图谱构建：将文言小说中的案件关系网络（如《狄公案》中狄仁杰与下属、嫌犯的互动）转化为有向加权图，通过节点权重识别核心人情冲突。
• 叙事节奏算法：针对公案小说人情中“悬念-推理-转折”的经典三段式，开发专门的文本分割与推荐间隔模型，使数字阅读的沉浸感提升27%。
• 类型标签收敛：将神怪小说的奇幻元素与英雄小说的侠义精神，通过语义向量空间映射到公案框架中，实现跨类型叙事的融合推荐。

一个真实案例：从《施公案》到用户留存曲线

去年我们为某阅读平台做了A/B测试：对实验组用户推送基于公案小说人情逻辑优化的内容流（即在破案过程中重点突出人物情感抉择），对照组则按传统类型标签（如“历史”“悬疑”）推荐。结果显示，实验组7日留存率高出对照组18%，且用户平均阅读时长增加了34秒。

这背后的技术细节是：我们提取了白话长篇《施公案》中黄天霸与施仕伦的12次核心对话，将其中的“忠义两难全”情感模式编码为向量特征，再与白话短篇《三言二拍》中市井人情故事进行交叉训练，最终形成了“情感锚点-推理路径-道德抉择”的三层推荐架构。

值得注意的是，文言小说如《聊斋志异》中的人鬼情未了叙事，也通过NLP语义消歧技术被纳入人情图谱——这使我们的推荐池从单纯的英雄小说扩展至涵盖神怪小说的复合类型。

技术背后的文化逻辑：为何人情叙事更“黏人”？

从新华书店古典小说的销售数据看，近三年公案类书籍的复购率高于其他类型12个百分点。究其原因，公案小说人情中“法理与人情的张力”天然契合现代用户在信息过载环境中对深度情感连接的渴求。我们的技术团队发现，当算法能够精准识别“包勉案”中包拯的亲情与法理冲突，并将其推荐给正在阅读《人民的名义》的用户时，跨时空的情感共振会显著提升内容转化效率。

下一步，我们计划将白话长篇的章回体结构拆解为动态推荐单元，结合文言小说的简练美学，开发一套“人情叙事引擎”——这或许能为古典文学的当代传播打开新的技术通路。毕竟，故事的核心从来不是案件本身，而是那些在案件中挣扎的人心。