共 2 篇相关文章
这篇探讨了一个经典的随机数构造问题：如何基于均匀的1~5随机数函数，实现均匀的1~7随机数函数。作者从直观的思路入手，展示了通过二维数组映射与拒绝采样的核心方案，并提供了对应的Java实现。 然而，文章的价值不止于算法本身。作者在千万次数据测试中，意外发现生成结果的分布并不均匀，某些数字的出现频率显著偏高。经过深入排查，问题被追溯到随机数种子的精度上——即使使用纳秒级时间戳，快速连续调用时获取的种子值仍可能相同，导致随机序列重复，进而破坏了分布的均匀性。 文章通过对比实验（如将种子改为毫秒级、增加调用间隔）验证了这一猜想，揭示了用“小随机”合成“大随机”时，底层伪随机数生成器的缺陷会被放大。这对于理解拒绝采样的实际应用边界，以及随机性工程实现中的细节陷阱，提供了非常具体的参考。
这篇讲的是如何从概率的角度，重新理解一个搜索引擎的核心算法——TF-IDF模型。作者敏锐地指出，传统信息检索中“匹配度”的定义相当模糊，更严谨的目标应该是计算“给定查询串q时，用户期望获得文档d的概率”。 为了推导这个概率，文章构建了一个巧妙的“盒子小球模型”：将文档比作装有彩色小球（词语）的盒子，整个问题就转化为经典的贝叶斯条件概率问题P(d|w)。作者逐层拆解这个公式：P(d)是文档的先验概率，这恰好对应了Google PageRank的思路，解释了为何它常与TF-IDF相乘；P(w)是关键词本身的搜索先验概率；而条件概率P(w|d)则被解释为“词w代表文档d主题的概率”。 文章的亮点在于对P(w|d)的推导。作者引入了信息论，指出idf公式中的log(n/docs(w,D))本质上就是词w的“信息量”——它对降低文档集合不确定性的贡献大小。通过这一关键连接，TF-IDF的乘积形式被自然地纳入概率框架。同时，模型也指出了当前简单搜索引擎可能忽略了文档的总词信息量（分母部分）和关键词的全局搜索频率P(w)。 最后，文章尝试将模型扩展到多关键词场景，并探讨了关键词独立性假设的局限。整体而言，作者并未止步于解释TF-IDF，而是用概率视角重构了整个排序问题的根基，并指出了更精确的优化方向。
