用于文本生成的Java中的Zipf定律 - 太慢了

问题描述 投票：3回答：3

嘿，我正在研究一个文本生成器，它应该生成数百万种不同的文本。为了使每个文本的内容变得现实我使用了Zipf定律它运行良好，单词分布正确。

但是下面的next()函数执行速度非常慢，因为我想生成数百万篇文章，所以必须进行更改。 （while循环是缓慢的部分）

有人可以帮我弄这个吗？

我这样实现了：

   public int next() {

    int rank;
    double frequency = 0;
    double dice;

    rank = rnd.nextInt(size);
    frequency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;
    dice = rnd.nextDouble();


    while (!(dice < frequency) || (rank == 0)) {
        rank = rnd.nextInt(size);
        frequency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;
        dice = rnd.nextDouble();
    }

    return rank;
}

编辑：我从以下代码获得了代码：http://diveintodata.org/2009/09/13/zipf-distribution-generator-in-java/

java performance power-law
3个回答
4
投票

您复制的实现...有一些问题。人们可能会说这显然是错误的，因为它使用的是随机值，而且在计算时就像

rank = rnd.nextInt(size);
friquency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;

rank值是0，然后频率是Infinity，并且弄乱了一些统计数据。

我试图纠正这些错误，但没有分析实现，也没有将它与Zipf分布函数的定义进行比较。因此，如果有人复制我的代码，他可能会发现它仍然“......有一些问题”。

严格地说，next函数的实现不是“total correct”，因为它不一定终止。没有什么能阻止循环永远运行。根据参数的不同，它可能或多或少地需要一段时间才能终止。而且我认为这也是你“表现”问题的主要原因之一：对于某些价值观，条件(dice < frequency)不太可能发生......

无论如何，您想要实现的目标可以更一般地制定：您有一定的概率分布。并且您想要一个“随机”函数，它根据此分布返回随机值。

实现此目的的一种简单而通用的方法是使用NavigableMap将（累积的）概率分布映射到目标值。然后，可以使用此映射快速查找目标值，给定由java.util.Random实例提供的介于0.0和1.0之间的随机值。

对于特定情况，可能会有更有效的解决方案，但同样：这是非常通用和简单的（并且仍然合理有效）。

我在这里实现了Zipf发行版。同样，我没有详细验证所有内容，并且有一些+1 / -1奇怪（在第一段中提到），但它应该显示这个想法：FastZipfGenerator填充包含概率分布的地图，并且在next()函数中，只是执行查找：

import java.util.LinkedHashMap;
import java.util.Map;
import java.util.NavigableMap;
import java.util.Random;
import java.util.TreeMap;

public class ZipfGeneratorTest
{
    public static void main(String[] args) {

        int size = 10;
        double skew = 2.0;

        ZipfGenerator z0 = new ZipfGenerator(size, skew);
        FastZipfGenerator z1 = new FastZipfGenerator(size, skew);

        long before = 0;
        long after = 0;

        int n = 5000000;

        before = System.nanoTime();
        Map<Integer, Integer> counts0 = computeCounts(z0, size, n);
        after = System.nanoTime();
        System.out.println(counts0+", duration "+(after-before)/1e6);

        before = System.nanoTime();
        Map<Integer, Integer> counts1 = computeCounts(z1, size, n);
        after = System.nanoTime();
        System.out.println(counts1+", duration "+(after-before)/1e6);
    }

    private static Map<Integer, Integer> computeCounts(
        ZipfGenerator z, int size, int n)
    {
        Map<Integer, Integer> counts = new LinkedHashMap<Integer, Integer>();
        for (int i=1; i<=size; i++)
        {
            counts.put(i, 0);
        }
        for (int i=1; i<=n; i++)
        {
            int k = z.next();
            counts.put(k, counts.get(k)+1);
        }
        return counts;
    }

    private static Map<Integer, Integer> computeCounts(
        FastZipfGenerator z, int size, int n)
    {
        Map<Integer, Integer> counts = new LinkedHashMap<Integer, Integer>();
        for (int i=1; i<=size; i++)
        {
            counts.put(i, 0);
        }
        for (int i=1; i<=n; i++)
        {
            int k = z.next();
            counts.put(k, counts.get(k)+1);
        }
        return counts;
    }

}

// Based on http://diveintodata.org/tag/zipf/
class ZipfGenerator {
    private Random rnd = new Random(0);
    private int size;
    private double skew;
    private double bottom = 0;

    public ZipfGenerator(int size, double skew) {
        this.size = size;
        this.skew = skew;

        for(int i=1;i <=size; i++) {
            this.bottom += (1/Math.pow(i, this.skew));
        }
    }

    // the next() method returns an random rank id.
    // The frequency of returned rank ids are follows Zipf distribution.
    public int next() {
        int rank;
        double friquency = 0;
        double dice;

        rank = rnd.nextInt(size)+1;
        friquency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;
        dice = rnd.nextDouble();

        while(!(dice < friquency)) {
            rank = rnd.nextInt(size)+1;
            friquency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;
            dice = rnd.nextDouble();
        }

        return rank;
    }


    // This method returns a probability that the given rank occurs.
    public double getProbability(int rank) {
        return (1.0d / Math.pow(rank, this.skew)) / this.bottom;
    }
}



class FastZipfGenerator
{
    private Random random = new Random(0);
    private NavigableMap<Double, Integer> map;

    FastZipfGenerator(int size, double skew)
    {
        map = computeMap(size, skew);
    }

    private static NavigableMap<Double, Integer> computeMap(
        int size, double skew)
    {
        NavigableMap<Double, Integer> map = 
            new TreeMap<Double, Integer>();

        double div = 0;
        for (int i = 1; i <= size; i++)
        {
            div += (1 / Math.pow(i, skew));
        }

        double sum = 0;
        for(int i=1; i<=size; i++)
        {
            double p = (1.0d / Math.pow(i, skew)) / div;
            sum += p;
            map.put(sum,  i-1);
        }
        return map;
    }

    public int next()
    {
        double value = random.nextDouble();
        return map.ceilingEntry(value).getValue()+1;
    }

}

它打印随机样本结果（基本上是“直方图”）和一些定时结果。时间结果是这样的

duration 6221.835052
duration 304.761282

显示它很可能会更快（即使这不应被视为“基准”......）

2
投票

你从https://diveintodata.org/2009/09/13/zipf-distribution-generator-in-java/获得的来源有一些错误。

这是快速修复。 （1）在构造函数ZipfGeneator（int，double）中，确保使用等号计算最大大小。

public ZipfGenerator(int size, double skew) {
  this.size = size;
  this.skew = skew;

  for(int i=1;i <= size; i++) {
  this.bottom += (1/Math.pow(i, this.skew));
  }
 }

（2）更换

rank = rnd.nextInt(size);

同

rank = rnd.nextInt(size)+1;

这是完整的源代码。

import java.util.Random;

//credit: https://diveintodata.org/2009/09/13/zipf-distribution-generator-in-java/ [Online; December 2017]

public class ZipfGenerator {
 private Random rnd = new Random(System.currentTimeMillis());
 private int size;
 private double skew;
 private double bottom = 0;

 public ZipfGenerator(int size, double skew) {
  this.size = size;
  this.skew = skew;

  for(int i=1;i <= size; i++) {
  this.bottom += (1/Math.pow(i, this.skew));
  }
 }

 // the next() method returns an random rank id.
 // The frequency of returned rank ids are follows Zipf distribution.
 public int next() {
   int rank;
   double friquency = 0;
   double dice;

   rank = rnd.nextInt(size)+1;
   friquency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;
   dice = rnd.nextDouble();

   while(!(dice < friquency)) {
     rank = rnd.nextInt(size)+1;
     friquency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;
     dice = rnd.nextDouble();
   }

   return rank;
 }

 // This method returns a probability that the given rank occurs.
 public double getProbability(int rank) {
   return (1.0d / Math.pow(rank, this.skew)) / this.bottom;
 }

 public static void main(String[] args) {
   if(args.length != 2) {
     System.out.println("usage: ./zipf size skew");
     System.exit(-1);
   }

   ZipfGenerator zipf = new ZipfGenerator(Integer.valueOf(args[0]),
   Double.valueOf(args[1]));
   for(int i= 1;i <= 10; i++) {
     System.out.println(i+" "+zipf.getProbability(i));
   }
   //use size = 10 and skew = 2 for testing below
   int hist [] = new int [12];
   for(int i=0;i<12;i++) {
       hist[i] = 0;
   }
   System.out.println("Testing the probability distribution:");
   int sum = 0;
    for(int i= 1;i <= 1000000; i++) {
        hist[zipf.next()]++; 
   }
   for(int i=0;i<12;i++)
     System.out.println(i+" "+hist[i]/1000000.0);
    }

}

结果：

Probability distribution from the formula:
1 0.6452579827864142
2 0.16131449569660355
3 0.07169533142071269
4 0.04032862392415089
5 0.02581031931145657
6 0.017923832855178172
7 0.013168530260947229
8 0.010082155981037722
9 0.007966147935634743
10 0.006452579827864143
Testing the probability distribution from sampling:
0 0.0
1 0.645813
2 0.160766
3 0.071527
4 0.040346
5 0.026039
6 0.01801
7 0.013215
8 0.009953
9 0.007863
10 0.006468
11 0.0

注意，0和11具有预期的0概率。

0
投票

你在询问速度，所以我提出了一个小优化。首先，摆脱重复的东西，看看它是什么：

public int next() {
    while (true) {
        int rank = rnd.nextInt(size);
        if (rank == 0) return return rank;
        double frequency = (1.0d / Math.pow(rank, this.skew)) / this.bottom;
        double dice = rnd.nextDouble();
        if (dice < frequency) return rank;
    }
}

到目前为止它应该完全相同（除非我忽略了一些东西）。我向上移动了rank的测试，因为如果它为零，下面的计算是无用的。现在有一条线我们可以加速一点

double frequency = Math.pow(rank, -this.skew) * inverseBottom;

实际上，由于四舍五入错误，这可能会略微改变结果，但我怀疑你应该关心。如果rank是恒定的，你可以将pow变成exp以使其更快，但事实并非如此。对于一个小的size，你可以预先计算一个ln(rank)表并使用它像

double frequency = Math.exp(ln[rank] * -this.skew) * inverseBottom;

一个更好的算法肯定会给你更多的低级优化。

最新问题
© www.soinside.com 2019 - 2024. All rights reserved.