馬爾可夫模型（Markov Model）是一種統計模型，廣泛應用在語音識別，詞性自動標註，音字轉換，概率文法等各個自然語言處理等應用領域。經過長期發展，尤其是在語音識別中的成功應用，使它成為一種通用的統計工具。

以下利用一篇英文演講來實現簡單得文字生成器，結果其實是一個胡言亂語得結果，但我們可以通過這個類型粗略理解機器學習，首先英文演講文章的鏈接：http://pythonscraping.com/files/inaugurationSpeech.txt

以及我上一篇處理該文章的博客鏈接：http://www.cnblogs.com/ybf-yyj/p/7399149.html

以下以生成100個單詞的馬爾科夫鏈為例：

#-*- coding:utf-8 -*-
from urllib2 import urlopen
from random import randint

#統計所有單詞出現的次數總和
def wordListSum(wordList):
    sum=0
    for word,value in wordList.items():
        print word,value
        sum+=value
    return sum

def retrieveRandomWord(wordList):
    #在1到所有單詞出現總和之間選著一個數字，保證每次輸出句子不一樣
 

    randIndex=randint(1,wordListSum(wordList))
    #通過randIndex隨機選擇一個字母返回
    for word,value in wordList.items():
        randIndex-=value
        if randIndex<=0:
            return word

def buildWordDic(text):
    #清洗\n和 "
    text=text.replace("\n"," ")
    text=text.replace("\"","")
    #保證標點符號和前面的單詞在一起，不被剔除
 

    punctuation=[‘,‘,‘.‘,‘;‘,‘:‘]
    for symbol in punctuation:
        text=text.replace(symbol," "+symbol+" ")
    #切割文章
    words=text.split(" ")
    #除去空單詞
    words=[word for word in words if word !=""]
    #定義一個總詞典
    wordDict={}
    for i in range(1,len(words)):
        #為新單詞再創一個新詞典
        # 比如句子為：How do you do.
        if words[i-1] not in wordDict:
            #結果應該為：{‘How‘:{},‘do‘:{}}
            wordDict[words[i-1]]={}

        #將下一個單詞加入前一個單詞的詞典中
        if words[i] not in wordDict[words[i - 1]]:
            # 結果應該為：{‘How‘:{‘do‘:0},‘do‘:{‘you‘:0,‘.‘:0}}
            wordDict[words[i-1]][words[i]]=0
        # 結果應該為：{‘How‘:{‘do‘:1},‘do‘:{‘you‘:1,‘.‘:1}}
        wordDict[words[i - 1]][words[i]]=wordDict[words[i-1]][words[i]]+1
    return wordDict

text=str(urlopen(‘http://pythonscraping.com/files/inaugurationSpeech.txt‘).read().decode(‘utf-8‘))
wordDict=buildWordDic(text)

length=100
chain=‘‘
#隨便選擇一個單詞開頭
currentword=‘I‘
for i in range(0,length):
    chain +=currentword+‘ ‘
    currentword=str(retrieveRandomWord(wordDict[currentword]))

print(chain)

簡單馬爾可夫模型的實現（簡單的機器學習）