导航

simhash

Posted on 2021-02-02 20:49  寒宵飞飞  阅读(3599)  评论(0)  编辑  收藏  举报

一、Simhash简介

　　传统的Hash算法只负责将原始内容尽量均匀随机地映射为一个签名值，原理上仅相当于伪随机数产生算法。传统的hash算法产生的两个签名，如果原始内容在一定概率下是相等的；如果不相等，除了说明原始内容不相等外，不再提供任何信息，因为即使原始内容只相差一个字节，所产生的签名也很可能差别很大。所以传统的Hash是无法在签名的维度上来衡量原内容的相似度，而SimHash本身属于一种局部敏感哈希算法，它产生的hash签名在一定程度上可以表征原内容的相似度。

　　SimHash算法是Google公司进行海量网页去重的高效算法，它通过将原始的文本映射为64位的二进制数字串，然后通过比较二进制数字串的差异进而来表示原始文本内容的差异。简单描述：simhash是一种快速判断两个文本是否相同（相似）的方法

二、SimHash流程描述

　　simhash算法分为5个步骤：分词、hash、加权、合并、降维，具体过程如下所述：

  1. 分词。把需要判断文本分词形成这个文章的特征单词。最后形成去掉噪音词的单词序列并为每个词加上权重，我们假设权重分为5个级别（1~5）。比如：“ 美国“51区”雇员称内部有9架飞碟，曾看见灰色外星人 ” ==> 分词后为 “ 美国（4） 51区（5） 雇员（3） 称（1） 内部（2） 有（1） 9架（3） 飞碟（5） 曾（1） 看见（3） 灰色（4） 外星人（5）”，括号里是代表单词在整个句子里重要程度，数字越大越重要。
  2. hash。通过hash算法把每个词变成hash值，比如“美国”通过hash算法计算为 100101,“51区”通过hash算法计算为 101011。这样我们的字符串就变成了一串串数字，还记得文章开头说过的吗，要把文章变为数字计算才能提高相似度计算性能，现在是降维过程进行时。
  3. 加权。通过 2步骤的hash生成结果，需要按照单词的权重形成加权数字串，比如“美国”的hash值为“100101”，通过加权计算为“4 -4 -4 4 -4 4”；“51区”的hash值为“101011”，通过加权计算为 “ 5 -5 5 -5 5 5”。
  4. 合并。把上面各个单词算出来的序列值累加，变成只有一个序列串。比如 “美国”的 “4 -4 -4 4 -4 4”，“51区”的 “ 5 -5 5 -5 5 5”， 把每一位进行累加， “4+5 -4+-5 -4+5 4+-5 -4+5 4+5” ==》 “9 -9 1 -1 1 9”。这里作为示例只算了两个单词的，真实计算需要把所有单词的序列串累加。
  5. 降维。把4步算出来的 “9 -9 1 -1 1 9” 变成 0 1 串，形成我们最终的simhash签名。 如果每一位大于0 记为 1，小于0 记为 0。最后算出结果为：“1 0 1 0 1 1”。

三、SimHash文本相似比较

　　海明距离： 两个码字的对应比特取值不同的比特数称为这两个码字的海明距离。一个有效编码集中, 任意两个码字的海明距离的最小值称为该编码集的海明距离。举例如下： 10101 和 00110 从第一位开始依次有第一位、第四、第五位不同，则海明距离为 3.

异或： 只有在两个比较的位不同时其结果是1 ，否则结果为 0 

对每篇文档根据SimHash 算出签名后，再计算两个签名的海明距离（两个二进制异或后 1 的个数）即可。根据经验值，对 64 位的 SimHash ，海明距离在 3 以内的可以认为相似度比较高。

四. SimHash查询、存储和索引

　　如何在海量的样本库中查询与其海明距离在3以内的记录呢？

eg：数据库有2^34（差不多10亿）的simhash签名文档，现在给你一个新的文档，判断这个文档在不在现有数据库中，怎么判断？

　　最简单办法就是比较10亿次，算法复杂度o(n)这显然是不能接受的

解决方案：

将simhash串（64位）拆成4个相等长度的子串A1 A2 A3 A4，每个串长16位

A文档：A1 A2 A3 A4

B文档：B1 B2 B3 B3

根据抽屉原理

如果A文档和B文档的海明距离在3以内，那么A1-B1，A2-B2，A3-B3，A4-B4之间必然有一组完全相同

这个可以用反证法，如果每组都不同，那么A文档和B文档的海明距离一定>=4（每个分组的海明距离都>=1,4个分组加一起的海明距离>=4）

所以我们可以将数据库10亿+的simhash签名，按照每个simhash拆分成4个子组(eg:1111111100000000,0000000011111111,1010101000000000,0101010100000000)

A:seg 0-15：(1111111100000000)

B:seg 16-31：(0000000011111111)

C:seg 32-47：(1010101000000000)

D:seg 48-63：(0101010100000000)

这样我们就能得到40亿+的simhash seg组，每个seg组的记录数为2^16

如果数据是分布均匀的 那么每个seg组的每个seg（例如00000000 00000000）就会有2^32 / 2^16 = 262144条记录

对于新目标文档 查询流程为：

首先进行初筛：对于新目标文档 拆分成4个seg组后 和数据库做hash匹配 理论上就能找到 4×262144 = 100W+条单个seg相同的记录

但是只是单个seg相同 并不能保证这两个文档的海明距离就是3了 （可能一个seg相同 其他3个seg加一起的海明距离>>3）

然后进行准确筛选，将这100W个文档分别和目标文档比较海明距离，就可以准确判断该文档是否在数据库中存在了

这样10亿+的判断被优化成了100W+的判断

 

 

五. SimHash原理解析

从上面的流程我们可以看到，影响simHash值的主要因素就是文档的关键字段（权重高），如果两个文档的关键字段大致相同，那么这两个文档的simhash值大致也会相同

如果每个字段的权重都一样 会发生什么结果？

eg1：白娘子传奇 和 传奇白娘子 这两个文本的simhash就会一模一样，因为拆分出的词语 白娘子和传奇 计算后加一起的simhash都一样 跟顺序无关了 早加晚加最终的值都一致   

eg2：simhash只能做相似判断 不能做包含判断，例如白娘子，白娘子传奇，白娘子传奇之法海你不懂爱 ，白娘子和白娘子传奇之法海你不懂爱的汉明距离就很长 

白娘子-分词:[白娘子]

白娘子传奇-分词:[白娘子, 传奇]]

白娘子传奇之法海你不懂爱-分词:[白娘子, 传奇, 之, 法海, 你, 不, 懂, 爱]

白娘子-simhash:0110011000001110111110001111111111100001110000000000000000000000

白娘子传奇-simhash:1110011000011110111111101111111111111011110000000000000000000000

白娘子传奇之法海你不懂爱-simhash:0110011111111000110101101110111111111010010000000000000000000000

白娘子 和 白娘子传奇：hanming distance is 7

白娘子传奇 和 白娘子传奇之法海你不懂爱：hanming distance is 12

白娘子 和 白娘子传奇之法海你不懂爱：hanming distance is 17

 

 其他算法:

  • 百度的去重算法（直接找出此文章的最长的n句话，做一遍hash签名。n一般取3。 工程实现巨简单，据说准确率和召回率都能到达80%以上。）
  • shingle算法
  • Minhash and LSH

 

 

 

本文参考

https://www.cnblogs.com/sddai/p/10088007.html

https://cloud.tencent.com/developer/article/1189493

https://cloud.tencent.com/developer/article/1043655

https://www.biaodianfu.com/simhash.html

 

 

 

 

 

 

 

 

 

 

 

 

simhash