123 lines
8.3 KiB
Markdown
123 lines
8.3 KiB
Markdown
# nickname-generator
|
||
Данный скрипт является примером использования на практике алгоритма случайного выбора элементов массива с учётом веса.
|
||
|
||
В данном случае практикой будет являться генерирование случайных слов (никнеймов) на основе букв английского (латинского) алфавита.
|
||
|
||
|
||
Начнём для начала с самого простого подхода. Если мы просто будем брать случайные буквы и составлять их них слова, то они будут выглядеть неестественно и неприглядно.
|
||
Примеры:
|
||
|
||
- srjxdq
|
||
- moyssj
|
||
- ywtckmw
|
||
- wjvzw
|
||
- xtwey
|
||
|
||
и т.д.
|
||
|
||
Как видим, такой подход не позволяет нам генерировать слова, которые хотя бы отдалённо напоминали обычные - получается просто набор бысмысленных букв, который больше походит на пароли.
|
||
Чтобы придать словам натуральность и "человечность", нам нужно сделать как минимум две вещи (на мой взгляд):
|
||
|
||
1) Исключить появления более двух гласных/согласных при генерировании слова. Данная задача является тривиальной и ее не имеет смысла рассматривать.
|
||
2) Подбирать случайные буквы для слова с учётом их веса. Весами в данном случае будут являться частотность букв в английском языке.
|
||
Таким образом мы должны уменьшить/увеличить шанс того, что определенная буква попадёт в наше генерируемое слово, и таких редко используемых
|
||
букв, как, например, Q, Z и X будут встречаться в наших словах гораздо реже, чем E, T, A, O, I, которые по статистике являются самыми частыми в английских словах.
|
||
|
||
Используя всего два этих подхода, мы генерируем гораздо более натуральные "слова". Примеры:
|
||
|
||
- haetise
|
||
- earyn
|
||
- sayuri
|
||
- oathe
|
||
- aulnelo
|
||
- ureon
|
||
- reirgas
|
||
- theele
|
||
|
||
и т.д.
|
||
|
||
## Алгоритм выбора случайных элементов массива на основе весов в JS
|
||
Относительно простой имплементацией подобного алгоритма является преобразование ряда рациональных чисел s1 (массива), являющимися весами для элементов, в ряд чисел s2, который
|
||
получается посредством кумулятивного сложения чисел:
|
||
|
||
)
|
||
|
||
где `Sn` - это массив со значениями весов, `ai` - элементы этого массива.
|
||
|
||
Разберём алгоритм по шагам в JS:
|
||
1) Создаём в качестве примера два массива ``items`` и ``weights``, где ``items`` - это элементы, которые будут выбираться случайно, а ``weights`` - это весы этих элементов:
|
||
|
||
`const items = [ '🍌', '🍎', '🥕' ];`
|
||
|
||
`const weights = [ 3, 7, 1 ];`
|
||
|
||
2) Подготавливаем массив весов посредством кумулятивного сложения (то есть список ``cumulativeWeights``, который будет иметь то же количество элементов, что и исходный список весов ``weights``).
|
||
В нашем случае такой массив будет выглядеть следующим образом:
|
||
|
||
` cumulativeWeights = [3, 3 + 7, 3 + 7 + 1] = [3, 10, 11] `
|
||
|
||
3) Генерируем случайное число `randomNumber` от `0` до самого высокого кумулятивного значения веса. В нашем случае случайное число будет находиться в диапазоне `[0..11]`. Допустим, что `randomNumber = 8`.
|
||
|
||
4) Проходим с помощью цикла по массиву `cumulativeWeights` слева направо и выбираем первый элемент, который больше или равен `randomNumber`.
|
||
Индекс такого элемента мы будем использовать для выбора элемента из массива элементов.
|
||
|
||
Идея этого подхода заключается в том, что более высокие веса будут "занимать" больше числового пространства. Следовательно, существует более высокая вероятность того, что случайное число попадет в "числовое ведро" с более высоким весом.
|
||
|
||
Попробую наглядно показать это на нашем примере:
|
||
|
||
|
||
const weights = [3, 7, 1 ];
|
||
|
||
const cumulativeWeights = [3, 10, 11];
|
||
|
||
// В псевдопредставлении мы можем представить cumulativeWeights следующим образом:
|
||
|
||
const pseudoCumulativeWeights = [
|
||
|
||
1, 2, 3, // <-- [3] числа
|
||
|
||
4, 5, 6, 7, 8, 9, 10, // <-- [7] чисел
|
||
|
||
11, // <-- [1] число
|
||
|
||
];
|
||
|
||
Как видим, более тяжёлые весы занимают более высокое числовое пространство, а следовательно, имеют более высокий шанс быть случайно выбранными. Процентное соотношение шанса выбора для элементо `weights` будет таким:
|
||
|
||
Элемент `3`: ≈ 27%,
|
||
|
||
Элемент `7`: ≈ 64%,
|
||
|
||
Элемент `1`: ≈ 9%
|
||
|
||
## Как можно еще лучше алгоритм генерации слов?
|
||
|
||
Данный скрипт является больше примером использования алгоритма выбора случайного элемента массива на основе их веса, поэтому я не
|
||
стал сильно углубляться в лингвистику и алгоритмы искусственного интеллекта. Но навскидку сразу бросаются в глаза неприглядные комбинации некоторых гласных и согласных пар, которые выглядят неестественно и не встречаются в настоящих словах:
|
||
- satlenl
|
||
- tohhi
|
||
- tiowh
|
||
- aahepw
|
||
|
||
и т.д.
|
||
|
||
Самым простым решением этого вопроса является ограничение на чередование более двух гласных/согласных слов:
|
||
|
||
if (vowelCounter >= maxVowelsInRow) {
|
||
i -= 1;
|
||
continue;
|
||
}
|
||
|
||
и
|
||
|
||
if (consonantCounter >= maxConsonantsInRow) {
|
||
i -= 1;
|
||
continue;
|
||
}
|
||
|
||
Пусть значения maxConsonantsInRow = 1 и maxVowelsInRow = 1, тогда сгенерированые слова будут выглядеть примерно так:
|
||
|
||
|
||
Отметим, что th и ae являются диграмами, и считаются как одна буква.
|
||
|
||
Очевидной минус данного подхода заключается в том, что сгенерированные слова получаются более однотипными и с гораздо меньшим вариативным потенциалом. |