前言
因爲想做一下文本自動摘要,文本自動摘要是NLP的重要應用,搜了一下,有一種TextRank的算法,可以做文本自動摘要。其算法思想來源於Google的PageRank,所以先把PageRank給瞭解一下。
馬爾科夫鏈
我感覺說到PageRank,應該要提起馬爾科夫鏈,因爲PageRank在計算的過程中,和馬爾科夫鏈轉移是十分相似的,只是PageRank在馬爾科夫鏈的轉移上做了一些改動。
馬爾科夫鏈的維基百科裏是這麼說的:
馬爾可夫鏈是滿足馬爾可夫性質的隨機變量序列。即給出當前狀態,將來狀態和過去狀態是相互獨立的。從形式上看,如果兩邊的條件分佈有定義(即如果則。
的可能值構成的可數集S叫做該鏈的“狀態空間”。
形式定義好像有點複雜。我這裏只想介紹自己所認識的馬氏鏈,一個簡單通俗易懂的馬氏鏈。
假設有一個離散型隨機變量,表示的是當前社會中貧窮,中等和富有的人的概率,其初始分佈是: 表示社會中貧窮的人佔28%,中等的人佔68%,富有的人佔11%,
這是初始狀態,可以想象成這是我們所處地球的第一代人(那個時候就有貧富差距了),接下來第一代人要生小孩,形成第二代人,這個叫做狀態的轉移,從轉移到。怎麼轉移呢,這是有一個概率的:
父代\子代 | 兒子是窮人 | 兒子是中等 | 兒子是富人 |
---|---|---|---|
父親是窮人 | 0.65 | 0.28 | 0.07 |
父親是中等 | 0.15 | 0.67 | 0.18 |
父親是富人 | 0.12 | 0.36 | 0.52 |
上述表格代表的是,父親屬於哪個階級,那兒子屬於某個階級的概率。比如父親是富人,兒子也是富人的概率是 0.52,這表示大概一半的富二代以後都會敗光家產。所以根據以上表格,第二代窮人的概率是 以上的計算過程實際上矩陣相乘,表格裏的數據組成一個矩陣 叫做概率轉移矩陣
以此類推,不斷計算,不斷狀態轉移,我們發現從第7代開始,就穩定不變了:
這不是偶然,從任意一個的分佈出發,經過概率轉移矩陣,都會收斂到一個穩定的分佈 ,從 這個轉移的鏈條就是馬爾科夫鏈,它最終會收斂到穩定分佈 ,也就是 ,至於爲什麼會這樣,肯定是和狀態轉移矩陣有關,最終的穩定分佈不是由初始狀態決定的,而是由轉移矩陣決定的,具體就不細究了。
總之,我們得出這樣一個結論,如果有一個隨機變量分佈爲 和狀態轉移矩陣,隨機變量分佈的下一個狀態 可以由上一個狀態 乘以矩陣得來,那麼經過n步迭代,最終會得到一個不變的,平穩的分佈。
PageRank
PageRank 是谷歌搜索引擎的進行網頁排名算法,它是把所有網頁都構成一張圖,每個網頁是一個節點,如果一個網頁中有鏈向其他網頁的鏈接,那麼就有一條有向邊連接這兩個點。
有了這張圖可以幹嘛嗎?PageRank 認爲,每條邊都是一個投票動作, 是A在給B投票,B的權重就會增加。
舉個例子就非常清楚了,假設互聯網上一共就4個頁面,全球幾十億網名,每天只能看這個4個web頁面,這四個頁面分別是A,B,C,D,其中B頁面有兩個超鏈接指向A,C,C中有1個超鏈接指向A,D中有三個超鏈接指向A。其畫成一張圖,就是這樣的:
這裏要清楚 PageRank 計算的值是什麼,PageRank 計算的最終值,是每個網頁被往點擊瀏覽的概率,也就相當於權重。所以這還是一個離散型隨機變量,。一開始假設每個網頁被瀏覽的概率都是相同的,每個頁面被網民點擊的概率都是0.25,
PageRank 的計算過程就和上面所說的馬爾科夫鏈一樣,初始狀態就是全球網民同時上網,每個網民每次都只點擊一次網頁,每個網頁被訪問的概率。那麼狀態2 就是全體網民開始點擊瀏覽第二個網頁時,每個網頁被訪問的概率。PageRank 也有一個概率轉移矩陣,而就存在於上圖中,其中 表i網頁鏈向j的鏈接數除以i網頁的所有外鏈數。 其實意思就是,當你訪問到i網頁的時候,有多大的概率訪問j網頁。所以對於某個特定的狀態,全體網民開始訪問第n個網頁,它是由上一個狀態 全體網民訪問到第n-1個網頁,通過某種概率得來。這和上面的窮人,富人非常相似。我們計算A頁面在第n次,也就是狀態n的時候被訪問的概率
所以
整個PageRank 計算直到得到平穩分佈,這就是最終每個網頁被網民點擊的概率,或者叫做權重,排名。
接下來咱們具體計算一下,上述四個頁面A,B,C,D的最終權重是多少。我們寫一段C++ 程序來模擬PageRank 的計算過程。
int main()
{
int n=4;
double d=0.85;
double a[4]={0.25,0.25,0.25,0.25};
double b[4][4]={{0,0,0,0},{1,0,1,0},{1,0,0,0},{1,1,1,0}};
double linkNums[4]={0,2,1,3};
printf("轉移矩陣:\n");
double p[4][4];
for(int i=0;i<4;i++)
{
for(int j=0;j<4;j++)
{
p[i][j] = b[i][j]==0?0:b[i][j]/linkNums[i];
printf("%.3f ",p[i][j]);
}
printf("\n");
}
printf("\n");
printf("初始狀態:\n");
for(int i=0;i<4;i++)
{
printf("%.3f ",a[i]);
}
printf("\n");
double c[4];
int i=0;
int pos=0;
while(1)
{
for(int i=0;i<4;i++) {
double x=0;
for (int j = 0; j < 4; j++) {
x+=a[j]*b[j][i];
}
c[i]=x;
//c[i]=1.0*(1-d)/n + d*x;
}
int tag=0;
for(int i=0;i<4;i++) {
if(a[i] != c[i])
{
tag=1;
a[i]=c[i];
}
}
pos++;
printf("狀態%d :\n",pos);
for(int i=0;i<4;i++)
{
printf("%.3f ",a[i]);
}
printf("\n");
printf("\n");
if(tag==0)
break;
}
}
其中p是轉移矩陣,a是我們要求的隨機變量的分佈。
運行結果如下
轉移矩陣:
0.000 0.000 0.000 0.000
0.500 0.000 0.500 0.000
1.000 0.000 0.000 0.000
0.333 0.333 0.333 0.000
初始狀態:
0.250 0.250 0.250 0.250
狀態1 :
0.750 0.250 0.500 0.000
狀態2 :
0.750 0.000 0.250 0.000
狀態3 :
0.250 0.000 0.000 0.000
狀態4 :
0.000 0.000 0.000 0.000
狀態5 :
0.000 0.000 0.000 0.000
我們發現,到最後的平穩分佈居然是,爲什麼會發生這樣的情況呢?因爲D這個網頁,沒有任何網頁鏈接到它,所以在轉移的過程中,它的下一個狀態肯定爲0,又因爲D變成0了,所以影響到它所鏈接的網頁,最終會導致所有網頁的概率值都變成0。
爲了避免這樣的情況,PageRank 引入了一個阻尼係數d和隨機訪問的概念 ,d是一個概率值在0-1之間,這個d的物理意義是當你瀏覽到一個網頁的時候,繼續點擊網頁中的鏈接瀏覽下一個網頁的概率。那麼1-d 表示的就是瀏覽到一個網頁的時候,不通過網頁中的鏈接,而是額外新開了一個窗口隨機訪問其他網頁的概率。所以PageRank 認爲訪問網頁,要麼是通過網頁中的鏈接點擊,要麼是隨機訪問。
有了這個阻尼係數d,原先圖中的情況就發生變化了,每個網頁,都有很多條隱形的邊,指向所有其他的網頁,這些隱形的邊表示的是隨機訪問不通過鏈接點擊。因此在計算A頁面在第n次,也就是狀態n的時候被訪問的概率公式就要發生變化了
物理意義也很好了解,原先從別的網頁通過鏈接點擊過來的是有一定概率的,概率就是d。而從任意一個網頁隨機訪問而來的概率是1/N,還要乘以1-d 。
因此
修改一下程序,再運行一下
轉移矩陣:
0.000 0.000 0.000 0.000
0.500 0.000 0.500 0.000
1.000 0.000 0.000 0.000
0.333 0.333 0.333 0.000
初始狀態:
0.250 0.250 0.250 0.250
狀態1 :
0.675 0.250 0.463 0.038
狀態2 :
0.675 0.069 0.282 0.038
狀態3 :
0.368 0.069 0.128 0.038
狀態4 :
0.237 0.069 0.128 0.038
狀態5 :
0.237 0.069 0.128 0.038
最終四個網頁的權重再第五步的時候就收斂了,可以看到A網頁的權重是最高的,因爲它被指向的鏈接是最多的。
我對 PageRank 算法的初步瞭解就這麼多了,我覺得PageRank 也應該算是馬爾科夫鏈的應用之一吧。
參考鏈接:
維基百科 :https://zh.wikipedia.org/wiki/PageRank
LDA 數學八卦 PDF: http://bloglxm.oss-cn-beijing.aliyuncs.com/lda-LDA%E6%95%B0%E5%AD%A6%E5%85%AB%E5%8D%A6.pdf