数值分析:幂迭代和PageRank算法(Numpy实现)

算法的完整实现代码我已经上传到了GitHub仓库:NumericalAnalysis-Python(包括其它数值分析算法),感兴趣的童鞋可以前往查看。

1 幂迭代算法(简称幂法)

1.1 占优特征值和占优特征向量

已知方阵\(\boldsymbol{A} \in \R^{n \times n}\), \(\boldsymbol{A}\)的占优特征值是比\(\boldsymbol{A}\)的其他特征值(的绝对值)都大的特征值\(\lambda\),若这样的特征值存在,则与\(\lambda\)相关的特征向量我们称为占优特征向量。

1.2 占优特征值和占优特征向量的性质

如果一个向量反复与同一个矩阵相乘,那么该向量会被推向该矩阵的占优特征向量的方向。如下面这个例子所示:

import numpy as np
def prime_eigen(A, x, k):
    x_t = x.copy()
    for j in range(k):
        x_t = A.dot(x_t)
    return x_t   
if __name__ == '__main__':
    A = np.array(
        [
            [1, 3],
            [2, 2]
        ]
    )
    x = np.array([-5, 5])
    k = 4
    r = prime_eigen(A, x, k)
    print(r)

该算法运行结果如下:

250, 260

为什么会出现这种情况呢?因为对\(\forall \boldsymbol{x} \in \R^{n}\)都可以表示为\(A\)所有特征向量的线性组合(假设所有特征向量张成\(\R^n\)空间)。我们设\(\boldsymbol{x}^{(0)} = (-5, 5)^T\),则幂迭代的过程可以如下表示:

\[\begin{aligned} & \boldsymbol{x}^{(1)} = \boldsymbol{A}\boldsymbol{x}^{(0)} = 4(1,1)^T - 2(-3, 2)^T\\ & \boldsymbol{x}^{(2)} = \boldsymbol{A}^2\boldsymbol{x}^{(0)} = 4^2(1, 1)^T + 2(-3, 2)^T\\ & ...\\ & \boldsymbol{x}^{(4)} = \boldsymbol{A}^4\boldsymbol{x}^{(0)} = 4^4(1, 1)^T + 2(-3, 2)^T = 256(1, 1)^T + 2(-3, 2)^T\\ \end{aligned} \tag{1} \]

可以看出是和占优特征值对应的特征向量在多次计算后会占优。在这里4是最大的特征值,而计算就越来越接近占优特征向量\((1, 1)^T\)的方向。
不过这样重复与矩阵连乘和容易导致数值上溢,我们必须要在每步中对向量进行归一化。就这样,归一化和与矩阵\(\boldsymbol{A}\)的连乘构成了如下所示的幂迭代算法:

import numpy as np
def powerit(A, x, k):
    for j in range(k):
        # 每次迭代前先对上一轮的x进行归一化
        u = x/np.linalg.norm(x)
        # 计算本轮迭代未归一化的x
        x = A.dot(u)
        # 计算出本轮对应的特征值
        lam = u.dot(x)
    # 最后一次迭代得到的特征向量x需要归一化为u
    u = x / np.linalg.norm(x)
    return u, lam        

if __name__ == '__main__':
    A = np.array(
        [
            [1, 3],
            [2, 2]
        ]
    )
    x = np.array([-5, 5])
    k = 10
    # 返回占优特征值和对应的特征向量
    u, lam = powerit(A, x, k)
    print("占优的特征向量:\n", u)
    print("占优的特征值:\n", lam)

算法运行结果如下:

占优的特征向量:
 [0.70710341 0.70711015]
占优的特征值:
 3.9999809247674625

观察上面的代码,我们在第\(t\)轮迭代的第一行,得到的是归一化后的第\(t-1\)轮迭代的特征向量近似值\(\boldsymbol{u}^{(t-1)}\)(想一想,为什么),然后按照\(\boldsymbol{x}^{(t)} = \boldsymbol{A}\boldsymbol{u}^{(t-1)}\)计算出第\(t\)轮迭代未归一化的特征向量近似值\(\boldsymbol{x}^{(t)}\),需要计算出第\(t\)轮迭代对应的特征值。这里我们我们直接直接运用了结论\(\lambda^{(t)} = (\boldsymbol{u}^{(t-1)})^T \boldsymbol{x^{(t)}}\)。该结论的推导如下:

证明


对于第\(t\)轮迭代,其中特征值的近似未\(\boldsymbol{\lambda}^{(t)}\),我们想解特征方程

\[\boldsymbol{x^{(t-1)}} \cdot \lambda^{(t)} = \boldsymbol{A}\boldsymbol{x}^{(t-1)} \tag{2} \]

以得到第\(t\)轮迭代时该特征向量对应的特征值\(\lambda^{(t)}\)。我们采用最小二乘法求方程\((2)\)的近似解。我们可以写出该最小二乘问题的正规方程为

\[(\boldsymbol{x}^{(t-1)})^T\boldsymbol{x}^{(t-1)} \cdot \lambda^{(t-1)} = (\boldsymbol{x}^{(t-1)})^T (\boldsymbol{A}\boldsymbol{x}^{(t-1)}) \tag{3} \]

然而我们可以写出该最小二乘问题的解为

\[\lambda^{(t)} = \frac{(\boldsymbol{x}^{(t-1)})^T\boldsymbol{A}\boldsymbol{x}^{(t-1)}}{(\boldsymbol{x}^{(t-1)})^T\boldsymbol{x}^{(t-1)}} \tag{4} \]

式子\((4)\)就是瑞利(Rayleigh)商。给定特征向量的近似,瑞利商式特征值的最优近似。又由归一化的定义有

\[\boldsymbol{u}^{(t-1)} = \frac{\boldsymbol{x}^{(t-1)}}{||\boldsymbol{x}^{(t-1)}||} = \frac{\boldsymbol{x}^{(t-1)}}{{[(\boldsymbol{x}^{(t-1)})^T\boldsymbol{x}^{(t-1)}]}^{\frac{1}{2}}} \tag{5} \]

则我们可以将式\((4)\)写作:

\[\lambda^{(t)} = (\boldsymbol{u}^{(t-1)})^T\boldsymbol{A}\boldsymbol{u}^{(t-1)} \tag{6} \]

又因为前面已经计算出\(\boldsymbol{x}^{(t)} = \boldsymbol{A} \boldsymbol{u}^{(t-1)}\),为了避免重复计算,我们将\(\boldsymbol{x}^{(t)}\)代入式\((5)\)得到:

\[\lambda^{(t)} = (\boldsymbol{u}^{(t-1)})^T\boldsymbol{x}^{(t)} \tag{7} \]

证毕。


可以看出,幂迭代本质上每步进行归一化的不动点迭代。

2 逆向幂迭代

上面我们的幂迭代算法用于求解(绝对值)最大的特征值。那么如何求最小的特征值呢?我们只需要将幂迭代用于矩阵的逆即可。

我们有结论,矩阵\(\boldsymbol{A}^{-1}\)的最大特征值就是矩阵\(\boldsymbol{A}\)的最小特征值的倒数。事实上,对矩阵\(\boldsymbol{A} \in \R^{n \times n}\) ,令其特征值表示为\(\lambda_1, \lambda_2, ..., \lambda_n\),如果其逆矩阵存在,则逆矩阵\(A\)的特征值为\(\lambda_1^{-1}, \lambda_2^{-1}, ..., \lambda_n^{-1}\), 特征向量和矩阵\(A\)相同。该定理证明如下:

证明


有特征值和特征向量定义有

\[\boldsymbol{A}\boldsymbol{v} = \lambda \boldsymbol{v} \tag{8} \]

这蕴含着

\[\boldsymbol{v} = \lambda \boldsymbol{A}^{-1}\boldsymbol{v} \tag{9} \]

因而

\[\boldsymbol{A}^{-1}\boldsymbol{v} = \lambda^{-1}\boldsymbol{v} \tag{10} \]

得证。


对逆矩阵\(\boldsymbol{A}^{-1}\)使用幂迭代,并对所得到的的\(\boldsymbol{A}^{-1}\)的特征值求倒数,就能得到矩阵\(\boldsymbol{A}\)的最小特征值。幂迭代式子如下:

\[\boldsymbol{x}^{(t+1)} = \boldsymbol{A}^{-1}\boldsymbol{x}^{(t)} \tag{11} \]

但这要求我们对矩阵\(\boldsymbol{A}\)求逆,当矩阵\(\boldsymbol{A}\)过大时计算复杂度过高。于是我们需要稍作修改,对式\((11)\)的计算等价于

\[\boldsymbol{A}\boldsymbol{x}^{(t+1)} = \boldsymbol{x}^{(t)} \tag{12} \]

这样,我们就可以采用高斯消元对\(\boldsymbol{x}^{(t+1)}\)进行求解,
不过,我们现在这个算法用于找出矩阵最大和最小的特征值,如何找出其他特征值呢?
如果我们要找出矩阵\(\boldsymbol{A}\)在实数\(s\)附近的特征值,可以对矩阵做出接近特征值的移动。我们有定理:对于矩阵\(\boldsymbol{A} \in \R^{n \times n}\),设其特征值为\(\lambda_1, \lambda_2, ..., \lambda_n\),则其转移矩阵\(\boldsymbol{A}-sI\)的特征值为\(\lambda_1 -s, \lambda_2 -s, ..., \lambda_n -s\),而特征向量和矩阵\(A\)相同。该定理证明如下:

证明


有特征值和特征向量定义有

\[\boldsymbol{A}\boldsymbol{v} = \lambda \boldsymbol{v} \tag{13} \]

从两侧减去\(sI\boldsymbol{v}\),得到

\[(\boldsymbol{A} - sI)\boldsymbol{v} = (\lambda - s)\boldsymbol{v} \tag{14} \]

因而矩阵\(\boldsymbol{A} - sI\)的特征值为\(\lambda - s\),特征向量仍然为\(\boldsymbol{v}\),得证。


这样,我们想求矩阵\(\boldsymbol{A}\)在实数\(s\)附近的特征值,可以先对矩阵\((\boldsymbol{A}-sI)^{-1}\)使用幂迭代求出\((\boldsymbol{A}-sI)^{-1}\)的最大特征值\(b\)(因为我们知道转移后的特征值为\((\lambda - s)^{-1}\),要使\(\lambda\)尽可能接近\(s\),就得取最大的特征值),其中每一步的\(x^{(t)}\)可以对\((\boldsymbol{A}-sI)\boldsymbol{x}^{(t)}=\boldsymbol{u}^{(t-1)}\)进行高斯消元得到。最后,我们计算出\(\lambda = b^{-1} + s\)即为矩阵\(A\)\(s\)附近的特征值。该算法的实现如下:

import numpy as np

def powerit(A, x, s, k):
    As = A-s*np.eye(A.shape[0])
    for j in range(k):
        # 为了让数据不失去控制
        # 每次迭代前先对x进行归一化
        u = x/np.linalg.norm(x)
        
        # 求解(A-sI)xj = uj-1
        x = np.linalg.solve(As, u)
        lam = u.dot(x)
    lam = 1/lam + s
        
    # 最后一次迭代得到的特征向量x需要归一化为u
    u = x / np.linalg.norm(x)
    return u, lam        

if __name__ == '__main__':
    A = np.array(
        [
            [1, 3],
            [2, 2]
        ]
    )
    x = np.array([-5, 5])
    k = 10
    # 逆向幂迭代的平移值,可以通过平移值收敛到不同的特征值
    s = 2 
    # 返回占优特征值和对应的特征值
    u, lam = powerit(A, x, s, k)
    # u为 [0.70710341 0.70711015],指向特征向量[1, 1]的方向
    print("占优的特征向量:\n", u)
    print("占优的特征值:\n", lam)

算法运行结果如下:

占优的特征向量:
 [0.64221793 0.7665221 ]
占优的特征值:
 4.145795530352381

3 幂迭代的应用:PageRank算法

幂迭代的一大应用就是PageRank算法。PageRank算法作用在有向图上的迭代算法,收敛后可以给每个节点赋一个表示重要性程度的值,该值越大表示节点在图中显得越重要。
比如,给定以下有向图:

其邻接矩阵为:

\[\left( \begin{matrix} 0 & 1 & 1 \\ 0 & 0 & 1 \\ 1 & 0 & 0 \\ \end{matrix} \right) \tag{15} \]

我们将邻接矩阵转置后,再沿着列归一化,就得到了马尔可夫概率转移矩阵\(\boldsymbol{M}\)

\[\left( \begin{matrix} 0 & 0 & 1 \\ \frac{1}{2} & 0 & 0 \\ \frac{1}{2} & 1 & 0 \\ \end{matrix} \tag{16} \right) \]

我们定义上网者从一个页面转移到另一个随机页面的概率是\(q\),点击本页面上链接的概率是\(1-q\)。设图的节点数为\(n\),然后我们可以计算Google矩阵做为有向图的一般转移矩阵。对矩阵每个元素而言,我们有:

\[\boldsymbol{G}_{ij} = \frac{q}{n} + (1-q)\boldsymbol{M}_{ij} \tag{17} \]

注意,Google矩阵每一列求和为1,这是一个随机矩阵,它满足一个性质,即占优特征值为1.
我们采用矩阵表示形式,即:

\[\boldsymbol{G} = \frac{q}{n}\boldsymbol{E} + (1-q)\boldsymbol{M} \tag{18} \]

其中\(\boldsymbol{E}\)为元素全为1的\(n \times n\)方阵。
然后我们定义向量\(\boldsymbol{p}\),其元素\(\boldsymbol{p}_i\)是待在页面\(i\)上的概率。我们由前面的幂迭代算法知道,矩阵与向量重复相乘后向量会被推到特征值为1的方向。而这里,与特征值1对应的特征向量是一组页面的稳态概率,根据定义这就是\(i\)个页面的等级,即PageRank算法名字中的Rank的由来。(同时,这也是\(\boldsymbol{G}\)定义的马尔科夫过程的稳态解)。故我们定义迭代过程:

\[\boldsymbol{p}_{t+1} = \boldsymbol{G}\boldsymbol{p}_{t} \tag{19} \]

注意,每轮迭代后我们要对\(\boldsymbol{p}\)向量归一化(为了减少时间复杂度我们除以\(p\)向量所有维度元素中的最大值即可,以近似二范数归一化);而且,我们在所有轮次的迭代结束后也要对\(p\)向量进行归一化(除以所有维度元素之和以保证所有维度之和为1)。
我们对该图的PageRank算法代码实现如下(其中移动到一个随机页面的概率\(q\)按惯例取0.15):

import numpy as np
# 归一化同时迭代,k是迭代步数
# 欲推往A特征值的方向,A肯定是方阵
def PageRank(A, p, k, q):
    assert(A.shape[0]==A.shape[1])
    n = A.shape[0]
    M = A.T.astype(np.float32) #注意要转为浮点型
    for i in range(n):
        M[:, i] = M[:, i]/np.sum(M[:, i])
    G = (q/n)*np.ones((n,n)) + (1-q)*M
    #G_T = G.T
    p_t = p.copy()
    for i in range(k):
        y = G.dot(p_t)
        p_t = y/np.max(y)
    return p_t/np.sum(p_t)
if __name__ == '__main__':
    A = np.array(
        [
            [0, 1, 1],
            [0, 0, 1],
            [1, 0, 0]
        ]
    )
    k = 20
    p = np.array([1, 1, 1])
    q = 0.15 #概率为1移动到一个随机页面通常为0.15
    # 概率为1-q移动到与本页面链接的页面
    R= PageRank(A, p, k, q)
    print(R)

该算法运行结果如下:

[0.38779177 0.21480614 0.39740209]

可以看到20步迭代结束后网页的Rank向量\(\boldsymbol{R}=(0.38779177, 0.21480614, 0.39740209)^T\),这也可以看做网页的重要性程度。

4 知名程序库和源码阅读建议

PageRank算法有很多优秀的开源实现,这里推荐几个项目:

4.1 Spark-GraphX

GraphX是一个优秀的分布式图计算库,从属于Spark分布式计算框架,采用Scala语言实现了很多分布式的图计算算法,也包括我们这里所讲的PageRank算法。
文档地址https://spark.apache.org/graphx
源码地址https://github.com/apache/spark

4.2 neo4j

neo4j是一个采用Java实现的知名的图数据库,该数据库也提供了PageRank算法的实现。
文档地址https://neo4j.com/
源码地址https://github.com/neo4j/neo4j.git

如果你有兴趣深入研究搜索引擎的实现,那么向你推荐elastic-search项目,它是基于Java实现的一个搜索引擎。
文档地址https://www.elastic.co/cn/
源码地址https://github.com/elastic/elasticsearch.git

参考

  • [1] Timothy sauer. 数值分析(第2版)[M].机械工业出版社, 2018.
  • [2] 李航. 统计学习方法(第2版)[M]. 清华大学出版社, 2019.
posted @ 2021-10-14 11:28  orion-orion  阅读(1072)  评论(2编辑  收藏  举报