同一种内积,可以是成本、评分,也可以是共同出现的次数
还是在同一个 BaseHalf 文件夹里,我从 §1.4 印刷第 20 页又长出一条笔记,读完 Applications 直到情感分析,并做了习题 1.10、1.11 和 1.12。
vmls-note-7.md 仍指向印刷第 19 页的定义,07-inner-product.md 里还留着我核对过的性质。我仍在 BaseHalf 0.7.0 的同一个桌面文件夹里接着读,这一次从印刷第 20 页的 Applications 开始。
这是精读 Boyd 与 Vandenberghe 的《Introduction to Applied Linear Algebra》的第 8 篇。我没有新开画布。定义并没有变。下面每个例子都是同一种对应位置乘积之和,只是两个列表的含义不同。
同一印刷页上一条很短的笔记,然后是这些应用
在 Card Detail 里,我当时在阅读器第 30 页,也就是印刷第 20 页,选中 Applications 紧上方的文字,再一次选择 Grow branch,仍然是在阅读器里发起,不是从封面发起。新文件是 vmls-note-8.md。它已经把 vmls.pdf 写在 upstream 里,并且指向第 30 页。
这次选区非常短。它只是块向量那段收尾句的前几个字母:分块向量的内积,就是各块内积的和。笔记标题和引用都停在 “The inn”,所以我不会把这个片段当成整句,也不会把它当成同一页上 Applications 各段的替代。那句收尾是我在 07-inner-product.md 里已经写下的最后一条一般事实。我把这条笔记当作继续留在印刷第 20 到 22 页的钩子,读完这些应用,再写进 08-inner-product-applications.md。
如果 a 和 b 是 0-1 出现向量,a^T b 统计两个分量同时为 1 的位置个数,也就是两个子集的交集里有多少个对象。我重算了书里那一页的 7 个对象的例子,索引仍从 1 开始:a = (0, 1, 1, 1, 1, 1, 1),b = (1, 0, 1, 0, 1, 0, 0),结果是 0·1 + 1·0 + 1·1 + 1·0 + 1·1 + 1·0 + 1·0 = 2。两个共有对象是 3 和 5。我还用自己的更短一对核对:a = (1, 1, 0, 1),b = (1, 0, 1, 1),结果也是 2。
如果 f 是对象的特征,w 是同样长度的权重,评分就是 w^T f。我用 w = (0.5, 2, −1),f = (4, 1, 3),得到 2 + 2 − 3 = 1。负的权重会减分,所以某个特征也可以把评分拉低。如果 p 是价格,q 是数量,p^T q 就是总成本。取 p = (2, 5, 1),q = (3, 0, 4),成本是 10。如果一辆车在 n 段路上每段匀速行驶,s 是各段速度,t 是各段时间,那么 s^T t 就是总路程。两段路时,s = (10, 20),t = (0.5, 0.25),总路程是 10。
如果 p 的分量非负且加起来等于 1,而 f_i 是第 i 种结果出现时某个量的取值,那么 f^T p 就是期望。我用 p = (0.5, 0.5),f = (10, 0),得到 5。多项式 p(x) = c_1 + c_2 x + ··· + c_n x^{n-1} 在 t 处的值,等于 c 与幂次向量 z = (1, t, t^2, …, t^{n-1}) 的内积。对 p(x) = 2 + 3x 和 t = 4,我取 c = (2, 3),z = (1, 4),c^T z = 14,正好是 p(4)。
现金流 c 在第 i 期收到 c_i,它的净现值是 d^T c,其中 d_i = 1/(1+r)^{i-1}。我用 r = 1 做了两期核对,于是第二期要折半:c = (100, 100),d = (1, 1/2),结果是 150。如果 s 是持股数量,负数表示空头,p 是价格,那么 p^T s 就是投资组合的净值。取 p = (10, 4),s = (3, −2),净值是 22。讲收益率时,书里用的是以美元计的持仓,或是比例持仓向量 w;这时 r^T w 是一个比例收益率。如果 r = (0.10, 0.00),w = (0.5, 0.5),组合收益率是 0.05,也就是 5%。
比较粗糙的文档评分里,x 是词频直方图,w 按词典里的正面、负面或中性,把对应位置标成 +1、−1 或 0。于是 w^T x 把正面词的次数加起来,再减去负面词的次数。在只有三个词的词典里,如果 x = (2, 1, 4),w = (1, −1, 0),评分是 1。
我在 §1.4 的末尾停下。下一节讲的是向量计算的复杂度,不是内积的又一种含义。
习题 1.10、1.11 和 1.12
尝试写在 08-exercises.md 里。题目仍留在书里,印刷第 26 到 27 页。
习题 1.10 里,r 是 10 维向量:前 8 个分量是 0 到 10 分的作业成绩,r_9 是 0 到 120 分的期中成绩,r_10 是 0 到 160 分的期末成绩。课程总分 s 要落在 0 到 100 的尺度上,作业占 25%,期中占 35%,期末占 40%,并写成 s = w^T r。
八次作业先要变成 0 到 100 的数,再按 25% 计入。它们的平均仍在 0 到 10 的尺度上,于是先乘 10 再乘 0.25,贡献就是 0.3125 (r_1 + ··· + r_8)。期中的权重是 0.35 · (100/120) = 7/24 = 0.2916…,保留小数点后四位是 0.2917。期末的权重是 0.40 · (100/160) = 0.2500。所以
w = (0.3125, 0.3125, 0.3125, 0.3125, 0.3125, 0.3125, 0.3125, 0.3125, 0.2917, 0.2500)
如果每次作业都是 10 分,期中 120 分,期末 160 分,那么 s = 25 + 0.2917·120 + 40 = 100.004。多出来的 0.004 只来自把 7/24 四舍五入成 0.2917;用精确权重去乘 120,期中贡献正好是 35。我还用自己的一份成绩核对,r = (8, 8, 8, 8, 8, 8, 8, 8, 96, 80),结果是 20 + 28.0032 + 20 = 68.0032,若用未四舍五入的期中权重则正好是 68。
习题 1.11 里,w 是某篇文档相对一本 n 个词的词典的词频向量,并假定文档里的词都在词典里。1^T w 是全文的总词数。w_282 = 0 表示词典里的第 282 个词没有在文档里出现。直方图是 h = (1 / (1^T w)) w。我用 w = (2, 0, 6) 核对:总数是 8,h = (0.25, 0, 0.75)。
习题 1.12 里,c 是五种货币的持有量,按 USD、RMB、EUR、GBP、JPY 的顺序排成 5 维向量,所以 c_2 是持有的人民币数量。负的分量表示负债。折合成美元的净值是 p^T c,其中 p 也是 5 维向量:p_i 是一单位第 i 种货币值多少美元。特别地,p_1 = 1。其余四个分量是汇率,也就是一单位另外四种货币各值多少美元。我用自己编的汇率核对形状,不是从汇表里抄的:如果 p = (1, 0.14, 1.10, 1.30, 0.0065),c = (100, 0, 20, −10, 0),那么 p^T c = 109。欠下的英镑会减掉,持有量为 0 的币种则不会进入总和。
我是对照 07-inner-product.md 里的定义和一般例子、08-inner-product-applications.md 里的应用笔记,以及 01-notation.md 里的全 1 向量来核对的,没有去查题解。这次没有请智能体批改。

下一节还要接着做的事
vmls-note-8.md、08-inner-product-applications.md 和 08-exercises.md 现在和内积定义放在同一个文件夹里。说 §1.4 读完,只是指这一节的正文我读过了,并且做了需要它的代表练习。向量计算的复杂度,也就是 §1.5,还在后面。
这是“用 BaseHalf 学应用线性代数”的第 8 篇,精读《Introduction to Applied Linear Algebra》。上一篇:内积,就是把对应位置的乘积加在一起。