马尔科夫链表示state的链式关系，下一个state只跟上一个state有关。 吉布斯采样通过采样条件概率分布得到的样本点，近似估计概率分布 P(z) 。PageRank通过节点间的连接，估计节点的重要程度 r 。吉布斯采样中，state代表不同的样本点，state的分布就是P(z)。PageRank中，state代表不同节点的分数，state的分布就是要求的 r 。不论吉布斯采样还是PageRank，state的分布本质上都是马尔科夫链，而最后都希望state的分布是独一并且稳定的。

Markov Chain 介绍 稳定态 Gibbs Sampling 介绍 Gibbs Sampling与Markov Page Rank 介绍 稳定性 稀疏计算

Markov Chain

介绍

上图表示了一个典型的马尔科夫链，每个城市A、B、C代表不同的state。该图描述了不同state间的转移变化关系。并且下一个时间的state只和上一个时间的state有关。

稳定态

想象上述的马尔科夫链，state不停的变化，我们可以求出不同state的概率，也就是state的概率分布。

最简单的办法是列出不同state的概率公式，然后解线性方程组求解，如下：

可是，单一稳定的state不一定存在，例如下面两种情况：

Spider trap，a⇔b，相当于状态被困在某区域（多个状态）。

Dead End， a⇒b ，相当于状态被困在单个状态中。

那么，什么情况下才有单一稳定的state的存在呢？

单一稳定的state分布的存在的充分条件是：对于任意两个state s1,s2 ，它们之间的状态转移概率不为0。也就是 p(s1|s2)>0 。也就是说，state间（包含自身）都有连接，这样的话便存在单一稳定的state分布。

Gibbs Sampling

介绍

Gibbs Sampling遇到的问题是：在已知 P(zi|z1,...,zi−1,zi+1,...zN) 分布的情况下，求变量 P(z)(z=z1,...,zN) 的分布。

Gibbs Sampling的解决办法是：设置外循环 t ，遍历采样点数；设置内循环k，遍历特征数，对于每一个特征值 ztk ，根据分布 ztk∼P(zk=ztk|z1=zt1,z2=zt2,...) 采样 ztk 。最后，根据 z1,z2,z3,... 得到 P(z)(z=z1,...,zN) 的分布。

Gibbs Sampling与Markov

吉布斯采样的数据 z1,z2,z3,... 相当于马尔科夫链中不同的state（因为 zt 只和 zt−1 有关）。如果马尔科夫链存在单一且稳定的状态分布，那么就可以通过采样求出 P(z)(z=z1,...,zN) 。

下面，分两个步骤证明：

Gibbs Sampling存在单一且稳定的状态分布。Gibbs Sampling单一且稳定的状态分布就是 P(z) 。

Gibbs Sampling中条件概率没有0值确保了Gibbs Sampling存在单一且稳定的状态分布。

根据概率公式，可推导Gibbs Sampling单一且稳定的状态分布就是 P(z) 。

Page Rank

介绍

Page Rank的哲学是：一个点的重要性跟这个点的in-link有关，不同的in-link权重不一样，score越大的节点对应的in-link也就越重要。 令节点的score向量为 r ，节点的邻接矩阵为M。那么， r 和M的关系可写作：

r=Mr

示例如下：

这个例子中，可以把矩阵 M 和向量r相乘当做 M 的列以向量r为权重进行线性组合，矩阵 M 同一列的不同行代表该节点向其他节点的分发连接。这样理解起来就比较清晰了。

r的求解可以使用特征值-特征向量分解，最大特征值对应的特征向量即是 r 。

稳定性

r的值在满足特定情况下才是单一且稳定的。

实际计算Page Rank中，需要增加一个条件：每个节点都有 1N 的概率变换到任何其他节点状态。

原来的式子是：

r=Mr

考虑稳定性后的式子是：

Ar=βM+(1−β)1N11T=Ar

示例如下：

稀疏计算

在上面的计算公式中，矩阵 A 是稠密的，空间复杂度是O(N2)，占得空间很大。

因此，改进计算如下：

Arr=βM+(1−β)1N11T=Ar=βMr+1−βN