Maksymalne powtórzenia w tekstach i zerowa intensywność entropii

Transkrypt

1 Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Warszawa

2 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady procesów 4 Konkluzje

3 Co to jest maksymalne powtórzenie? Maksymalne powtórzenie (maximal repetition) L(x n 1 ) w tekście x n 1 = (x 1, x 2,..., x n ) to maksymalna długość powtarzającego się podsłowa. Formalnie, L(x n 1 ) := max { k : x i+k i +1 = x j+k j+1 dla pewnych 0 i < j n k }. Przykład: x n 1 = O szyby deszcz dzwoni, deszcz dzwoni jesienny. L(x1 n ) = deszcz dzwoni = 13. Maksymalne powtórzenie L(x n 1 ) można policzyć w czasie O(n) sortując drzewo sufiksów (Kolpakov & Kucherov, 1999).

4 Z punktu widzenia informatyków... (de Luca, 1999) Złożoność podsłowna (subword complexity) f (k x1 n ) to liczba różnych podsłów długości k pojawiających się w tekście x1 n. Formalnie, f (k x n 1 ) := card { y k 1 : x i+k i+1 = y k 1 dla pewnego 0 i n k }. Mamy f (k x n 1 ) jest ściśle rosnące dla k L(x n 1 ), f (k x n 1 ) = n k + 1 dla k > L(x n 1 ). Złożoność podsłowna f (k x n 1 ) osiąga maksimum dla k = L(x n 1 ).

5 Z punktu widzenia probabilistów... (Erdős & Rényi, 1970) Niech (X i ) i=1 będzie procesem IID, tzn. nieskończonym ciągiem niezależnych zmiennych losowych o identycznym rozkładzie, P(X n 1 n = x 1 n ) = p(x i ). i =1 Można wówczas udowodnić, że istnieje taka stała A > 0, że L(X n 1 ) A log n dla dostatecznie dużych n z prawdopodobieństwem 1. Inaczej pisząc, P ( L(X1 n lim sup ) n log n ) A = 1.

6 A w odniesieniu do języka... (Dębowski, 2015) 1000 Shakespeare random permutation 100 maximal repetition L(w) e+06 1e+07 string length w L(x n 1 ) (log n)3.136 dla tekstu w języku angielskim. L(x n 1 ) (log n)1.150 dla losowej permutacji znaków.

7 Dwa pytania otwarte 1 Jak szeroka jest klasa procesów stochastycznych, dla których L(X1 n ) A(log n)α zachodzi dla dostatecznie dużych n z prawdopodobieństwem 1 dla zadanego α 1? 2 Czy istnieją wśród nich procesy mogące służyć jako lepsze statystyczne modele języka naturalnego niż np. ukryte procesy Markowa, używane obecnie?

8 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady procesów 4 Konkluzje

9 Rodzina entropii Renyiego Wzór dla γ (0, 1) (1, ): H γ (X ) := 1 1 γ log x P(X = x) γ. Przypadki szczególne: H 0 (X ) := log card {x : P(X = x) > 0} H 1 (X ) := x P(X = x) log P(X = x) (entropia Hartleya), (entropia Shannona), H 2 (X ) := log x P(X = x) 2 (entropia kolizji), H (X ) := log maxp(x = x) x (min-entropia). H γ (X ) H δ (X ) dla γ < δ; H γ (X ) γ γ 1 H (X ) dla γ > 1.

10 Ograniczenie dolne (Dębowski, 2015) Intuicja: Jeżeli dopuszczalnych kombinacji symboli, z których składają się teksty, jest mało, to w tekstach tych powtórzenia są długie. Formalnie, zdefiniujmy entropię Hartleya bloku długości n, H 0 (n) := log card { x n 1 : P(X n 1 = x n 1 ) > 0}. Jeżeli dla stacjonarego procesu stochastycznego (X i ) i=1 zachodzi H 0 (n) Bn β dla B > 0 i 0 < β 1, to dla A < B α i α = 1/β mamy L(X1 n ) A (log n)α dla dostatecznie dużych n z prawdopodobieństwem 1.

11 Szkic dowodu 1 Tekst X1 n zawiera n k + 1 podsłów długości k. Z prawdopodobieństwem 1, wsród nich może być co najwyżej exp H 0 (k) różnych podsłów. W rezultacie, jeżeli exp H 0 (k) < n k + 1, to L(X1 n) k zachodzi z prawdopodobieństwem 1. 2 Załóżmy teraz, że H 0 (k) Bk β. Wówczas L(X n 1 ) k dla Bk β < log(n k + 1) log n. Warunek ten zachodzi dla k A (log n) 1/β, gdzie A B 1/β.

12 Wzmocnione ograniczenie dolne Zdefiniujmy entropię Shannona bloku długości n, H 1 (n) := x n 1 P(X n 1 = x n 1 ) log P(X n 1 = x n 1 ) H 0(n). Jeżeli dla stacjonarego procesu stochastycznego (X i ) i=1 zachodzi H 1 (n) Bn β dla B > 0 i 0 < β 1, to dla A < B α /2 i α < 1/β mamy L(X1 n ) A (log n)α dla dostatecznie dużych n z prawdopodobieństwem 1. Dowód wykorzystuje pojęcie złożoności podsłownej.

13 Ograniczenie górne (Shields, 1997) Intuicja: Jeżeli dopuszczalnych kombinacji symboli, z których składają się teksty, jest dużo, to w tekstach tych powtórzenia są krótkie. Formalnie, zdefiniujmy warunkową min-entropię bloku długości n, H cond (n) := log sup x m+n 1 Jeśli proces stochastyczny (X i ) i=1 spełnia P(X m+n m+1 = x m+n m+1 X m 1 = x m 1 ). H cond (n) Bnβ dla B > 0 i 0 < β 1, to dla A > 3 α B α i α = 1/β mamy L(X1 n ) < A (log n)α dla dostatecznie dużych n z prawdopodobieństwem 1.

14 Szkic dowodu Mamy P(L(X1 n ( ) k) ) = P X i +k i+1 = X j+k j+1 dla pewnych 0 i < j n k P(X i +k i +1 = X j+k j+1 ) = 0 i<j n k 0 i<j n k 0 i<j n k x j 1 1 n 2 exp( Bk β ). P(X j 1 1 = x j 1 1 )P(X j+k exp( H cond (k)) j+1 = x i+k i +1 A zatem teza wynika z lematu Borela-Cantellego. X j 1 1 = x j 1 1 )

15 Odpowiednik reguły łańcuchowej dla min-entropii Zdefinujmy bezwarunkową min-entropię bloku Mamy H (n) := log sup P(X m+n m+1 = x m+n m+1 ), x m+n m+1 warunkową min-entropię bloku H cond (n) := log sup x m+n 1 min-informację wzajemną bloku I (n) := log sup x m+n 1 P(X m+n m+1 = x m+n m+1 X m 1 = x m 1 ), P(X m+n m+1 = x m+n m+1 ) P(X m+n m+1 = x m+n m+1 )P(X m 1 = x m 1 ). H (n) H cond (n) + I (n).

16 Intensywności entropii i entropia nadwyżkowa Zdefiniujmy intensywność bezwarunkowej min-entropii h := lim inf n intensywność warunkowej min-entropii h cond min-entropię nadwyżkową := lim inf n H (n), n H cond (n), n Mamy E := lim sup I (n). n h > 0 i h cond = 0 = E =.

17 Maksymalne powtórzenie a globalne miary zależności Dla języka naturalnego mamy L(X n 1 ) A (log n)α, α 3 = H cond (n) Bnβ, β 1/3 = h cond = 0. Ponadto dla języka naturalnego prawdopodobnie h > 0. (Intensywność entropii Shannona to około jeden bit na literę.) Stąd h > 0 i h cond = 0 = E =. Język miałby zatem nieskończoną min-entropię nadwyżkową. (Hilberg 1990: ma nieskończoną entropię nadwyżkową Shannona.)

18 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady procesów 4 Konkluzje

19 Procesy o skończonej energii Proces (X i ) i =1 nazywa się procesem o skończonej energii, gdy P(X m+n m+1 = x m+n m+1 X m 1 = x m 1 ) c n, c < 1. Procesy takie spełniają h cond > 0, a zatem L(X n 1 ) A log n dla dostatecznie dużych n z prawdopodobieństwem 1. Stacjonarne procesy o skończonej energii mają dodatnią intensywność entropii Shannona h 1 := H 1 (n) lim n n > 0.

20 Przykłady procesów o skończonej energii (I) Proces (Y i ) i =1 nazywa się ukrytym procesem Markowa, jeżeli Y i = f (X i ) dla pewnej funkcji f oraz dyskretnego procesu Markowa (X i ) i =1, P(X n 1 = x n 1 ) = π(x 1) n p(x i x i 1 ). i =2 Ukrytymi procesami Markowa są m.in. procesy Markowa i IID. Ukryty proces Markowa (Y i ) i =1 jest procesem o skończonej energii, jeśli c := sup P(Y i = y X i 1 = x) < 1. y,x

21 Przykłady procesów o skończonej energii (II) Niech (X, ) będzie grupą. Proces (X i ) i= nazywa się jednostajnie zaszumionym, jeżeli nad alfabetem X X i = W i Z i, gdzie (W i ) i= jest dowolnym procesem nad alfabetem X, zaś (Z i ) i= jest niezależnym procesem IID spelniającym c := max P(Z i = a) < 1. a Procesy jednostajnie zaszumione są procesami o skończonej energii.

22 Regularne procesy Hilberga Proces (X i ) i =1 nazywam regularnym procesem Hilberga, gdy B 1 n β log f (n X 1 ) B 2n β, A 2 (log n) 1/β L(X n 1 ) A 1 (log n) 1/β dla dostatecznie dużych n i pewnych B i, A i > 0 oraz 0 < β < 1 z prawdopobieństwem 1. Stacjonarne regularne procesy Hilberga mają zerową intensywność entropii Shannona h 1 := H 1 (n) lim n n = 0.

23 Procesy RHA (random hierachical association) 1 Weźmy liczby naturalne k 0, k 1,..., gdzie k n 1 k n k 2 n 1. 2 Dla każdego n, niech (L nj, R nj ) j {1,...,kn} będzie niezależną losową kombinacją k n różnych par liczb z {1,..., k n 1 }. 3 Zdefiniujmy zmienne losowe: Y 0 j = j, j {1,..., k 0 }, Y n j = Y n 1 L nj Y n 1 R nj, j {1,..., k n }, n N. 4 Niech C 0, C 1,... będą niezależnymi zmiennymi o rozkładzie: P(C n = j) = 1/k n, j {1,..., k n }. 5 Zdefiniujmy proces RHA: X 1 X 2 X 3... := Y 0 C 0 Y 1 C 1 Y 2 C 2....

24 Przykład regularnego procesu Hilberga Dla parametrów k n = ) exp (2 βn, gdzie 0 < β < 1, średnia stacjonarna procesu RHA jest regularnym procesem Hilberga o parametrze β, tzn. B 1 n β log f (n X 1 ) B 2n β, A 2 (log n) 1/β L(X n 1 ) A 1 (log n) 1/β.

25 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady procesów 4 Konkluzje

26 Modele języka naturalnego? nadal wyzwaniem 1 Ukryte procesy Markowa, klasa modeli powszechnie stosowanych w lingwistyce komputerowej, są procesami o skończonej energii. 2 Język naturalny nie jest procesem o skończonej energii, gdyż maksymalne powtórzenie w tekstach rośnie szybciej niż logarytmicznie. 3 Istnieją procesy RHA, dla których maksymalne powtórzenie rośnie jak w języku naturalnym. 4 Jednak procesy RHA również nie są dobrymi modelami języka, gdyż mają zerową intensywność entropii Shannona w przeciwieństwie do języka naturalnego. 5 Lepsze modele języka to prawdopodobnie procesy o dodatniej intensywności entropii Shannona i zerowej intensywności warunkowej min-entropii.