這個世界上只有兩種人，看「權游」(權利的游戲)的，和不看「權游」的。

你們心心念的權游終于迎來了最終季，狼家史塔克的家訓「Winter is coming」終終終終終于是應驗了，人類與異鬼的戰爭一觸即發。各個主要角色的生死存亡你猜得到嗎？

▲這個深刻詮釋「凡人皆有一死」的熱劇，撲朔迷離的劇情讓觀眾對終局望眼欲穿

難道只能在一集集看完之后，才能知道你們牽掛的二丫會不會幸存，色后又會不會被二丫手刃？

面對這份煎熬，總有人按捺不住。比如，熱愛代碼的程序員們，就用算法分析權游里的故事，預測了角色的生存概率，以及誰最有可能登上鐵王座。

有趣的是，不同的算法和團隊，預測的結果大相徑庭。比如慕尼黑工業大學(TUM)團隊的算法，預測最終龍媽登上了鐵王座；而另一種算法下，龍媽沒能活過寒冬。

另外，還有一種神奇的「算法」是：Men all die.

所以，哪家預測的結果準確？各家都有各家的依據，看看他們都怎么做的。

01 機器學習預測龍媽要活到最后

TUM 的學生在計算機科學研討會上做了一個有趣大膽的嘗試：用數據科學和機器學習的方法，去預測權游中角色最后的存活機會。在「權力的游戲」第八季上映之前，算法就預測出各個角色的命運。

▲左：生存率排行榜，右：死亡率排行榜

這份結論中，龍媽存活的幾率最高( 99％ )，她的國王之手小惡魔也有 97％ 的存活率。難道是龍媽最后統領了各大家族？而狡猾又善于自保的波隆以 93.5% 位居死亡順序的首位。

這個結果從哪兒得來？

TUM 團隊的分析數據是從《冰與火之歌》的書中，權游的臺詞里，以及粉絲圈在維基百科上的內容搜集而來。用于預測的信息包括：角色所屬的家族，是否已婚，以及他們的盟友等情況。

他們提取了數百個角色的特征數據集，梳理了故事中角色的信息。除了諸如性別和地位等數據外，還考慮了元數據信息：比如某人是主要角色還是次要角色，以及他們在維基百科等渠道中被引用的頻率。

通過這些數據，利用算法分析，揭示出了關于權游中死亡率的一些趨勢，例如男性比女性更危險(男性死亡率 22%， 而女性為 11% )。

在預測趨勢的同時，為了對每個角色的命運進行預測，團隊使用了兩個單獨的模型：第一種是貝葉斯推斷方法，使用 pymc3 封裝的 MCMC 方法來訓練貝葉斯生存分析模型；第二個涉及機器學習和神經網絡，在 Python 的 Keras 框架下進行。

▲鐵王座還是死亡，到底誰說了算

學習從來不是一個人的事情，要有個相互監督的伙伴，工作需要學習C/C++或者為了入行、轉行學習C/C++的伙伴可以私信回復小編“學習”領取全套免費C/C++學習資料、視頻

他們的工作或許會有些效果。早在 2016 年，在第 6 季播出之前，TUM 同一課程的學生就創建了一個算法，準確預測了囧諾的復活。

02 利用文本分析：龍媽要狗帶？

你要相信，有同樣好奇心的人，肯定不止一位。

另一位數據科學家 Peter Vesterberg 通過對原著小說的文本分析，去預測最終季的劇情走向。

Peter 認為劇情的走向是人物間的關系所支撐的，通過分析了《冰與火之歌》已經出版的五本書，使用網絡理論計算出角色間的相互關系，用可視化的方式呈現出來，綜合人物的重要性判斷最后的存活幾率。

他用一個點來代表人物，根據冰火故事中的文本，利用詞性標注，相似度度量等方法，定義了角色之間的「接近」程度，越接近和越頻繁地出現兩個名字，他們的聯系就越多。

判斷一個角色與其他角色的關聯性的方法，主要用了四個關鍵概念：

• 度中心性——與該節點直接連接的節點占節點總數的比例；
• 接近中心性——對于一個結點而言，距離其它結點越近，那么它的中心度越高 ；
• 中介中心性——量化該節點充當其他兩個節點之間最短路徑的橋梁的次數 ；
• 特征向量中心性——一個節點的重要性既取決于其相鄰節點的數量，也取決于其相鄰節點的重要性。

通過這些概念的分析，得到關系值的「權重」數字。最終得到一份關于人物關系的圖譜，線條的粗細表示了人物聯系的緊密程度，最后的結點大小代表了角色的重要性。這份重要性指標也顯示了會被作者「除去」的可能。

具體的指標排名如下：

▲四個分析指標的具體排名數值，囧諾( Jon )都是領跑

在這樣的分析下，囧諾毫無疑問是最重要的角色，難道這個生于龍家，長于狼家的疑似 RMB 玩家，最終會登上鐵王座？重要程度緊隨其后的，是智力擔當小惡魔和弒君者詹姆。

從網絡理論的角度來看，龍媽丹妮莉絲似乎是前期撒幣太多，后期估計是金幣不夠，只是處在關系網的邊緣，看來大概率是要涼了。

03 預測不只是為了娛樂，更是擁有現實意義

對于結果迥異的不同算法，到底哪個更勝一籌，我們不得而知，也許只有在大結局到來時候，才能知曉。但他們使用的方法，都不只是鬧著玩，而是擁有實際的利用價值。

TUM 開發的生存幾率算法，來自于一個嚴肅的學習項目。他們設立這項課程的主要的目的，是幫助學生將學習如何設計，開發和部署智能計算機系統。

該項目的首席導師 Guy Yachdav 博士說：「雖然預測權力游戲人物生存機會，依賴于從幻想世界中獲取的數據，但在現實世界中，使用完全相同的人工智能技術，也會對我們的日常生活產生重大影響。」

▲Guy Yachdav 博士在 TED 演講中介紹預測算法能夠解決現實世界中的問題

負責 TUM 信息學系生物信息學主任的 Burkhard Rost 教授說：「激情與教學的結合是創造新工具的絕佳方式。在 TUM 的課程中，我們找到了這種有趣的方式，去教學生如何使用這項技術。」

目前，在現實世界中，類似的算法可用于醫學和金融，例如使用綜合信息分析預測健康情況 。這種技術類似于分析研究治療方法或并發癥對癌癥患者的影響。

而對于數據學家 Peter 所做的事情，除了分析角色的存活，還從數字的角度去分析了「冰與火之歌」小說的各種書寫規律，用數據去解析一本小說的元素。

也許，掌握這一模式之后，未來小說家和編劇就可以使用人工智能快速地生成新內容，這樣就不會眼睜睜看著馬丁大大一直補不上的坑了。

04 想預測「復聯」最后活下來的英雄嗎？

熱鬧的 4 月，似乎又是一個落幕的季節，除了權游最終季，復仇者聯盟也要在下周三迎來大結局，想必很多人還沒從滅霸那個響指中緩過來，那個非要安靜看落日的狠人，就那么隨機毀滅了一半的宇宙。

這個任性的死亡速度，估計 AI 也無法預測出來了。但是，如果你還是好奇心太重，想自己動手試一試的話，那么 TUM 團隊的項目開源地址在此：

https://api.got.show/doc/

但其實，不需要 AI 預測，復聯 4 應該也是一個最優結局，畢竟奇異博士類似窮舉法，或者說試錯法之類的操作，把希望留給復聯世界：他用時間寶石嘗試了 14000605 種可能后，選擇了唯一會勝利的那條。

奇異博士的這種精神，用來寫代碼的話估計也是極好的。

05 百科知識

• 詞性標注 Part-of-Speech Tagging

詞性標注(POS tagging ) 是將對句子中的詞語進行分類標注的過程。是依據字詞在句法結構或語言形態上承擔的成分，通過詞性分類賦予每個詞的詞性標記的過程。

也就是要確定句子中每個詞是名詞、動詞、形容詞或其他詞性的過程，又稱詞類標注或者簡稱標注。

詞性標注是自然語言處理中的一項基礎任務，在語音識別、信息檢索及自然語言處理的許多領域都有應用。

• 詞性標注實現的方法

可以分為基于規則和基于統計的方法，主要有：

(1)基于最大熵的詞性標注

(2)基于統計最大概率輸出詞性

(3)基于 HMM 的詞性標注

• 詞性標注的應用

(1)句法分析預處理

(2)詞匯獲取預處理

(3)信息抽取預處理

總結

以上是生活随笔為你收集整理的rnn词性标注算法_Python预测算法哪家强？权游龙妈是生还是凉凉？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。