第6章 马尔可夫法（PageRank的孩子） 实例和程序

 

            马尔可夫法的主要思想是：两支队伍之间的每次较量，都是弱队给强队投票的机会。举个例子如下：

           设投票矩阵V中第 i 行，第 j 列的元素是vij，vij表示队伍 i 输给了队伍 j 。

 

           对V中的各行进行归一化，得到矩阵N。

 

           矩阵N中第二行全为0，这与悬挂结点问题类似。网页排名领域中，悬挂结点指的是没有出链的结点。解决这个问题的一种方法是将这一行的元素赋值为 1/n ，n为矩阵的行数。由此可以得到随机矩阵S。

 

           将矩阵S转置，得到转移概率矩阵W。和PageRank算法相似，我们需要计算出这个随机矩阵W的稳态向量。该稳态向量即为W的主特征向量r，可以通过Wr = r来得到。

 

为了加深记忆，我动手实现了马尔可夫法，程序如下：

#include <cstdio> 
#include <cmath> 
int main()
{
	const int n = 5;
	double V[][n] = {{0,1,1,1,1}, {0,0,0,0,0}, {0,1,0,0,1}, {0,1,1,0,1}, {0,1,0,0,0}};
	/* 归一化 */
	double N[n][n];
	double rowSum[n] = {0.0};
	int i, j;
	for(i = 0; i < n; i++) {
		for(j = 0; j < n; j++) {
			rowSum[i] += V[i][j];
		}
	}
	for(i = 0; i < n; i++) {
		for(j = 0; j < n; j++) {
			if(rowSum[i] > 0) {
				N[i][j] = V[i][j] / rowSum[i];
			} else {
				N[i][j] = 0.0;
			}
		}
	}
	/* 处理悬挂结点问题 */
	double S[n][n];
	for(i = 0; i < n; i++) {
		for(j = 0; j < n; j++) {
			if(rowSum[i] > 0) {
				S[i][j] = V[i][j] / rowSum[i];
			} else {
				S[i][j] = 1.0 / n;
			}
		}
	}
	/* 将矩阵S转置，得到转移概率矩阵W */
	double W[n][n];
	for(i = 0; i < n; i++) {
		for(j = 0; j < n; j++) {
			W[i][j] = S[j][i];
		}
	}
	/* 初始化评分向量r */
	double r[n];
	for(i = 0; i < n; i++) {
		r[i] = 1.0 / n;
	}
	/* 用幂法迭代计算评分向量r */
	double ep = 0.00000000001;
	double maxBias;
	double rNew[n];
	do {
		maxBias = 0.0;
		for(i = 0; i < n; i++) {
			rNew[i] = 0.0;
			for(j = 0; j < n; j++) {
				rNew[i] += W[i][j] * r[j];
			}
		}
		for(i = 0; i < n; i++) {
			if(fabs(rNew[i] - r[i]) > maxBias)
				maxBias = fabs(rNew[i] - r[i]);
			r[i] = rNew[i];
		}
	}while(maxBias > ep);

	for(i = 0; i < n; i++) {
		printf("%d: %.3lf\n", i, r[i]);
	}
	return 0;
}

 

运行结果为：

所以，5只队伍的得分依次为0.088，0.438，0.146， 0.109， 0.219 。