在Python上基于Markov链生成伪随机文本的教程

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

    import random

    class Markov(object):

     def __init__(self, open_file):
      self.cache = {}
      self.open_file = open_file
      self.words = self.file_to_words()
      self.word_size = len(self.words)
      self.database()


     def file_to_words(self):
      self.open_file.seek(0)
      data = self.open_file.read()
      words = data.split()
      return words


     def triples(self):
      """ Generates triples from the given data string. So if our string were
        "What a lovely day", we'd generate (What, a, lovely) and then
        (a, lovely, day).
      """

      if len(self.words) < 3:
       return

      for i in range(len(self.words) - 2):
       yield (self.words[i], self.words[i+1], self.words[i+2])

     def database(self):
      for w1, w2, w3 in self.triples():
       key = (w1, w2)
       if key in self.cache:
        self.cache[key].append(w3)
       else:
        self.cache[key] = [w3]

     def generate_markov_text(self, size=25):
      seed = random.randint(0, self.word_size-3)
      seed_word, next_word = self.words[seed], self.words[seed+1]
      w1, w2 = seed_word, next_word
      gen_words = []
      for i in xrange(size):
       gen_words.append(w1)
       w1, w2 = w2, random.choice(self.cache[(w1, w2)])
      gen_words.append(w2)
      return ' '.join(gen_words)

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。

    In [1]: file_ = open('/home/shabda/jeeves.txt')

    In [2]: import markovgen

    In [3]: markov = markovgen.Markov(file_)

    In [4]: markov.generate_markov_text()
    Out[4]: 'Can you put a few years of your twin-brother Alfred,
    who was apt to rally round a bit. I should strongly advocate
    the blue with milk'

[如果想执行这个例子，请下载jeeves.txt和markovgen.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。

复制代码 代码如下:

"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，

    {('The', 'quick'): ['brown'],
     ('brown', 'fox'): ['jumps', 'who', 'who'],
     ('fox', 'jumps'): ['over'],
     ('fox', 'who'): ['is', 'is'],
     ('is', 'slow'): ['jumps'],
     ('jumps', 'over'): ['the', 'the'],
     ('over', 'the'): ['brown', 'brown'],
     ('quick', 'brown'): ['fox'],
     ('slow', 'jumps'): ['over'],
     ('the', 'brown'): ['fox', 'fox'],
     ('who', 'is'): ['slow', 'dead.']}

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。