WikiDer > Точечная взаимная информация

Эта статья предоставляет недостаточный контекст для тех, кто не знаком с предметом. Пожалуйста помоги улучшить статью к обеспечение большего контекста для читателя. (Февраль 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Точечная взаимная информация (PMI),^[1] или же точка взаимной информации, является мерой ассоциация используется в теория информации и статистика. В отличие от взаимная информация (MI), который основан на PMI, относится к отдельным событиям, тогда как MI относится к среднему значению всех возможных событий.

Определение

PMI пары результаты Икс и у принадлежащий дискретные случайные величины Икс и Y определяет количество расхождений между вероятностью их совпадения с учетом их совместное распределение и их индивидуальные распределения, предполагая независимость. Математически:

${displaystyle operatorname {pmi} (x; y) Equiv log {p (x, y)} {p (x) p (y)}} = log {frac {p (x | y)} {p (x )}} = log {frac {p (y | x)} {p (y)}}.}$

В взаимная информация (MI) случайных величин Икс и Y - ожидаемое значение PMI (по всем возможным результатам).

Мера симметричная (${displaystyle имя оператора {pmi} (x; y) = имя оператора {pmi} (y; x)}$). Может принимать положительные или отрицательные значения, но равен нулю, если Икс и Y находятся независимый. Обратите внимание, что даже если PMI может быть отрицательным или положительным, его ожидаемый результат по всем совместным мероприятиям (MI) положительный. PMI максимизируется, когда Икс и Y идеально связаны (т.е. ${displaystyle p (x | y)}$ или же ${displaystyle p (y | x) = 1}$), что дает следующие оценки:

${displaystyle -infty leq operatorname {pmi} (x; y) leq min left [-log p (x), - log p (y) ight].}$

Ну наконец то, ${displaystyle operatorname {pmi} (x; y)}$ увеличится, если ${displaystyle p (x | y)}$ исправлено, но ${displaystyle p (x)}$ уменьшается.

Вот пример для иллюстрации:

Используя эту таблицу, мы можем маргинализировать чтобы получить следующую дополнительную таблицу для отдельных распределений:

В этом примере мы можем вычислить четыре значения для ${displaystyle pmi (x; y)}$. Используя логарифмы с основанием 2:

(Для справки: взаимная информация ${displaystyle operatorname {I} (X; Y)}$ тогда будет 0,2141709)

Сходства с взаимной информацией

Точечная взаимная информация имеет многие из тех же отношений, что и взаимная информация. Особенно,

${displaystyle {egin {выровнено} имя оператора {pmi} (x; y) & = & h (x) + h (y) -h (x, y) & = & h (x) -h (x | y) & = & h (y) -h (y | x) конец {выровнено}}}$

Где ${displaystyle h (x)}$ это самоинформация, или же ${displaystyle -log _ {2} p (X = x)}$.

Нормализованная поточечная взаимная информация (npmi)

Точечная взаимная информация может быть нормализована между [-1, + 1], в результате чего -1 (в пределе) никогда не встречается вместе, 0 для независимости и +1 для полной совпадение.^[2]

${displaystyle operatorname {npmi} (x; y) = {frac {operatorname {pmi} (x; y)} {h (x, y)}}}$

Где ${displaystyle h (x, y)}$ это совместное самоинформация, который оценивается как ${displaystyle -log _ {2} p (X = x, Y = y)}$.

Варианты PMI

Помимо упомянутого выше npmi, у PMI есть много других интересных вариантов. Сравнительное исследование этих вариантов можно найти в ^[3]

Цепное правило для pmi

Нравиться взаимная информация,^[4] точечная взаимная информация следует за Правило цепи, то есть,

${displaystyle имя оператора {pmi} (x; yz) = имя оператора {pmi} (x; y) + имя оператора {pmi} (x; z | y)}$

Это легко доказывается:

${displaystyle {egin {выровнено} имя оператора {pmi} (x; y) + имя оператора {pmi} (x; z | y) & {} = log {frac {p (x, y)} {p (x) p ( y)}} + log {frac {p (x, z | y)} {p (x | y) p (z | y)}} & {} = log left [{frac {p (x, y) } {p (x) p (y)}} {frac {p (x, z | y)} {p (x | y) p (z | y)}} ight] & {} = log {frac { p (x | y) p (y) p (x, z | y)} {p (x) p (y) p (x | y) p (z | y)}} & {} = log {frac {p (x, yz)} {p (x) p (yz)}} & {} = имя оператора {pmi} (x; yz) конец {выровнено}}}$

Приложения

В компьютерная лингвистика, PMI использовался для поиска словосочетания и ассоциации между словами. Например, подсчеты событий и совпадение слов в текстовый корпус можно использовать для аппроксимации вероятностей ${displaystyle p (x)}$ и ${displaystyle p (x, y)}$ соответственно. В следующей таблице показано количество пар слов, получивших наибольшее и наименьшее количество баллов PMI в первых 50 миллионах слов в Википедии (дамп за октябрь 2015 г.) с фильтрацией по 1000 или более совпадений. Частоту каждого подсчета можно получить, разделив его значение на 50 000 952. (Примечание: в этом примере для расчета значений PMI используется натуральный логарифм вместо логарифмической базы 2)

Хорошие пары словосочетаний имеют высокий PMI, потому что вероятность совпадения лишь немного ниже, чем вероятность появления каждого слова. И наоборот, пара слов, вероятность появления которых значительно выше, чем вероятность их совместного появления, получает небольшую оценку PMI.

Рекомендации

• Фано, R M (1961). "Глава 2". Передача информации: статистическая теория коммуникации. MIT Press, Кембридж, Массачусетс. ISBN 978-0262561693.

внешняя ссылка

• Демо на сервере Rensselaer MSR (Значения PMI нормализованы между 0 и 1)