使用 Python 生成基于马尔可夫链的伪随机文本

548 查看

首先看一下来自Wolfram的定义

马尔可夫链是随机变量{X_t}的集合(t贯穿0,1,…),给定当前的状态,未来与过去条件独立。

Wikipedia的定义更清楚一点儿

…马尔可夫链是具有马尔可夫性质的随机过程…[这意味着]状态改变是概率性的,未来的状态仅仅依赖当前的状态。

马尔可夫链具有多种用途,现在让我看一下如何用它生产看起来像模像样的胡言乱语。

算法如下,

  1. 找一个作为语料库的文本,语料库用于选择接下来的转换。
  2. 从文本中两个连续的单词开始,最后的两个单词构成当前状态。
  3. 生成下一个单词的过程就是马尔可夫转换。为了生成下一个单词,首先查看语料库,查找这两个单词之后跟着的单词。从它们中随机选择一个。
  4. 重复2,直到生成的文本达到需要的大小。

代码如下

为了看到一个示例结果,我们从古腾堡计划中拿了沃德豪斯的《My man jeeves》作为文本,示例结果如下。

[如果想执行这个例子,请下载jeeves.txtmarkovgen.py
马尔可夫算法怎样呢?

  •     最后两个单词是当前状态。
  •     接下来的单词仅仅依赖最后两个单词,也就是当前状态。
  •     接下来的单词是从语料库的统计模型中随机选择的。

这是一个示例文本。

“The quick brown fox jumps over the brown fox who is slow jumps over the brown fox who is dead.”

这个文本对应的语料库像这样,

现在如果我们从”brown fox”开始,接下来的单词可以是”jumps”或者”who”。如果我们选择”jumps”,然后当前的状态就变成了”fox jumps”,再接下的单词就是”over”,之后依此类推。

提示

  •     我们选择的文本越大,每次转换的选择更多,生成的文本更好看。
  •     状态可以设置为依赖一个单词、两个单词或者任意数量的单词。随着每个状态的单词数的增加,生成的文本更不随机。
  •     不要去掉标点符号等。它们会使语料库更具代表性,随机文本更好看。

资源