如何使用Python生成基于馬爾可夫鏈的偽隨機文本

這篇文章給大家介紹如何使用Python生成基于馬爾可夫鏈的偽隨機文本，內(nèi)容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

首先看一下來自Wolfram的定義

馬爾可夫鏈是隨機變量{X_t}的集合（t貫穿0,1,...），給定當前的狀態(tài)，未來與過去條件獨立。

Wolfram的定義更清楚一點兒

...馬爾可夫鏈是具有馬爾可夫性質(zhì)的隨機過程...[這意味著]狀態(tài)改變是概率性的，未來的狀態(tài)僅僅依賴當前的狀態(tài)。

馬爾可夫鏈具有多種用途，現(xiàn)在讓我看一下如何用它生產(chǎn)看起來像模像樣的胡言亂語。

算法如下,

找一個作為語料庫的文本，語料庫用于選擇接下來的轉(zhuǎn)換。

從文本中兩個連續(xù)的單詞開始，最后的兩個單詞構(gòu)成當前狀態(tài)。

生成下一個單詞的過程就是馬爾可夫轉(zhuǎn)換。為了生成下一個單詞，首先查看語料庫，查找這兩個單詞之后跟著的單詞。從它們中隨機選擇一個。

重復(fù)2，直到生成的文本達到需要的大小。

代碼如下:

為了看到一個示例結(jié)果，我們從古騰堡計劃中拿了沃德豪斯的《My man jeeves》作為文本，示例結(jié)果如下。

馬爾可夫算法怎樣呢？

最后兩個單詞是當前狀態(tài)。

接下來的單詞僅僅依賴最后兩個單詞，也就是當前狀態(tài)。

接下來的單詞是從語料庫的統(tǒng)計模型中隨機選擇的。

這是一個示例文本。

這個文本對應(yīng)的語料庫像這樣，

現(xiàn)在如果我們從"brown fox"開始，接下來的單詞可以是"jumps"或者"who"。如果我們選擇"jumps"，然后當前的狀態(tài)就變成了"fox jumps"，再接下的單詞就是"over"，之后依此類推。

提示

我們選擇的文本越大，每次轉(zhuǎn)換的選擇更多，生成的文本更好看。

狀態(tài)可以設(shè)置為依賴一個單詞、兩個單詞或者任意數(shù)量的單詞。隨著每個狀態(tài)的單詞數(shù)的增加，生成的文本更不隨機。

不要去掉標點符號等。它們會使語料庫更具代表性，隨機文本更好看。

關(guān)于如何使用Python生成基于馬爾可夫鏈的偽隨機文本就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。