posts - 495,comments - 227,trackbacks - 0
http://gemantic.iteye.com/blog/1701101
文本去重算法还有
cos或者MinHash算法



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,原理上相当于伪随机数产生算法。产生的两个签名,如果相等,说明原始内容在一定概 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极大。从这个意义 上来 说,要设计一个 hash 算法,对相似的内容产生的签名也相近,是更为艰难的任务,因为它的签名值除了提供原始内容是否相等的信息外,还能额外提供不相等的 原始内容的差异程度的信息。

 

 

Googlesimhash 算法产生的签名,可以用来比较原始内容的相似度时,便很想了解这种神奇的算法的原理。出人意料,这个算法并不深奥,其思想是非常清澈美妙的。

 

Simhash算法

 

simhash算法的输入是一个向量,输出是一个 f 位的签名值。为了陈述方便,假设输入的是一个文档的特征集合,每个特征有一定的权重。比如特征可以是文档中的词,其权重可以是这个词出现的次数。 simhash 算法如下:

 

1,将一个 f 维的向量 V 初始化为 0f 位的二进制数 S 初始化为 0

 

2,对每一个特征:用传统的 hash 算法对该特征产生一个 f 位的签名 b 。对 i=1f

如果b 的第 i 位为 1 ,则 V 的第 i 个元素加上该特征的权重;

否则,V 的第 i 个元素减去该特征的权重。 

 

3,如果 V 的第 i 个元素大于 0 ,则 S 的第 i 位为 1 ,否则为 0

 

4,输出 S 作为签名。

 

 

 

算法几何意义和原理

 

这个算法的几何意义非常明了。它首先将每一个特征映射为f 维空间的一个向量,这个映射规则具体是怎样并不重要,只要对很多不同的特征来说,它们对所对应的 向量是均匀随机分布的,并且对相同的特征来说对应的向量是唯一的就行。比如一个特征的 4hash 签名的二进制表示为 1010 ,那么这个特征对应的  4 维向量就是 (1, -1, 1, -1) T ,即hash 签名的某一位为 1 ,映射到的向量的对应位就为 1 ,否则为 -1 。然后,将一个文档中所包含的各个特征对应的向量加权求和, 加权的系数等于该特征的权重。

 

得到的和向量即表征了这个文档,我们可以用向量之间的夹角来衡量对应文档之间的相似度。最后,为了得到一个 f 位的签名,需要 进一步将其压缩,如果和向量的某一维大于 0 ,则最终签名的对应位为 1 ,否则为 0 。这样的压缩相当于只留下了和向量所在的象限这个信息,而 64 位的签名可以 表示多达 2 64 个象限,因此只保存所在象限的信息也足够表征一个文档了。

 

 

比较相似度

 

 

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: 1010100110 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

 

  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。

 

 

假设对64 位的 SimHash ,我们要找海明距离在 3 以内的所有签名。我们可以把 64 位的二进制签名均分成 4 块,每块 16 位。根据鸽巢原理(也成抽屉原理,见组合数学),如果两个签名的海明距离在 3 以内,它们必有一块完全相同。

 

 

我们把上面分成的4 块中的每一个块分别作为前 16 位来进行查找。 建立倒排索引。

 

 

 

 

如果库中有2^34 个(大概 10 亿)签名,那么匹配上每个块的结果最多有 2^(34-16)=262144 个候选结果 (假设数据是均匀分布, 16 位的数据,产生的像限为 2^16 个,则平均每个像限分布的文档数则 2^34/2^16 = 2^(34-16)) ,四个块返回的总结果数为 4* 262144 (大概 100 万)。原本需要比较 10 亿次,经过索引,大概就只需要处理 100 万次了。由此可见,确实大大减少了计算量。 

 

 

 

Java 代码实现:

 

 

 

Java代码  收藏代码
  1. package com.gemantic.nlp.commons.simhash;  
  2.   
  3. import java.math.BigInteger;  
  4. import java.util.ArrayList;  
  5. import java.util.List;  
  6. import java.util.StringTokenizer;  
  7.   
  8. public class SimHash {  
  9.   
  10.     private String tokens;  
  11.   
  12.     private BigInteger intSimHash;  
  13.       
  14.     private String strSimHash;  
  15.   
  16.     private int hashbits = 64;  
  17.   
  18.     public SimHash(String tokens) {  
  19.         this.tokens = tokens;  
  20.         this.intSimHash = this.simHash();  
  21.     }  
  22.   
  23.     public SimHash(String tokens, int hashbits) {  
  24.         this.tokens = tokens;  
  25.         this.hashbits = hashbits;  
  26.         this.intSimHash = this.simHash();  
  27.     }  
  28.   
  29.     public BigInteger simHash() {  
  30.         int[] v = new int[this.hashbits];  
  31.         StringTokenizer stringTokens = new StringTokenizer(this.tokens);  
  32.         while (stringTokens.hasMoreTokens()) {  
  33.             String temp = stringTokens.nextToken();  
  34.             BigInteger t = this.hash(temp);  
  35.             for (int i = 0; i < this.hashbits; i++) {  
  36.                 BigInteger bitmask = new BigInteger("1").shiftLeft(i);  
  37.                  if (t.and(bitmask).signum() != 0) {  
  38.                     v[i] += 1;  
  39.                 } else {  
  40.                     v[i] -= 1;  
  41.                 }  
  42.             }  
  43.         }  
  44.         BigInteger fingerprint = new BigInteger("0");  
  45.         StringBuffer simHashBuffer = new StringBuffer();  
  46.         for (int i = 0; i < this.hashbits; i++) {  
  47.             if (v[i] >= 0) {  
  48.                 fingerprint = fingerprint.add(new BigInteger("1").shiftLeft(i));  
  49.                 simHashBuffer.append("1");  
  50.             }else{  
  51.                 simHashBuffer.append("0");  
  52.             }  
  53.         }  
  54.         this.strSimHash = simHashBuffer.toString();  
  55.         System.out.println(this.strSimHash + " length " + this.strSimHash.length());  
  56.         return fingerprint;  
  57.     }  
  58.   
  59.     private BigInteger hash(String source) {  
  60.         if (source == null || source.length() == 0) {  
  61.             return new BigInteger("0");  
  62.         } else {  
  63.             char[] sourceArray = source.toCharArray();  
  64.             BigInteger x = BigInteger.valueOf(((long) sourceArray[0]) << 7);  
  65.             BigInteger m = new BigInteger("1000003");  
  66.             BigInteger mask = new BigInteger("2").pow(this.hashbits).subtract(  
  67.                     new BigInteger("1"));  
  68.             for (char item : sourceArray) {  
  69.                 BigInteger temp = BigInteger.valueOf((long) item);  
  70.                 x = x.multiply(m).xor(temp).and(mask);  
  71.             }  
  72.             x = x.xor(new BigInteger(String.valueOf(source.length())));  
  73.             if (x.equals(new BigInteger("-1"))) {  
  74.                 x = new BigInteger("-2");  
  75.             }  
  76.             return x;  
  77.         }  
  78.     }  
  79.       
  80.     /** 
  81.      * 取两个二进制的异或,统计为1的个数,就是海明距离 
  82.      * @param other 
  83.      * @return 
  84.      */  
  85.   
  86.     public int hammingDistance(SimHash other) {  
  87.           
  88.         BigInteger x = this.intSimHash.xor(other.intSimHash);  
  89.         int tot = 0;  
  90.           
  91.         //统计x中二进制位数为1的个数  
  92.         //我们想想,一个二进制数减去1,那么,从最后那个1(包括那个1)后面的数字全都反了,对吧,然后,n&(n-1)就相当于把后面的数字清0,  
  93.         //我们看n能做多少次这样的操作就OK了。  
  94.           
  95.          while (x.signum() != 0) {  
  96.             tot += 1;  
  97.             x = x.and(x.subtract(new BigInteger("1")));  
  98.         }  
  99.         return tot;  
  100.     }  
  101.   
  102.     /**  
  103.      * calculate Hamming Distance between two strings  
  104.      *  二进制怕有错,当成字符串,作一个,比较下结果 
  105.      * @author   
  106.      * @param str1 the 1st string  
  107.      * @param str2 the 2nd string  
  108.      * @return Hamming Distance between str1 and str2  
  109.      */    
  110.     public int getDistance(String str1, String str2) {    
  111.         int distance;    
  112.         if (str1.length() != str2.length()) {    
  113.             distance = -1;    
  114.         } else {    
  115.             distance = 0;    
  116.             for (int i = 0; i < str1.length(); i++) {    
  117.                 if (str1.charAt(i) != str2.charAt(i)) {    
  118.                     distance++;    
  119.                 }    
  120.             }    
  121.         }    
  122.         return distance;    
  123.     }  
  124.       
  125.     /** 
  126.      * 如果海明距离取3,则分成四块,并得到每一块的bigInteger值 ,作为索引值使用 
  127.      * @param simHash 
  128.      * @param distance 
  129.      * @return 
  130.      */  
  131.     public List<BigInteger> subByDistance(SimHash simHash, int distance){  
  132.         int numEach = this.hashbits/(distance+1);  
  133.         List<BigInteger> characters = new ArrayList();  
  134.           
  135.         StringBuffer buffer = new StringBuffer();  
  136.   
  137.         int k = 0;  
  138.         for( int i = 0; i < this.intSimHash.bitLength(); i++){  
  139.             boolean sr = simHash.intSimHash.testBit(i);  
  140.               
  141.             if(sr){  
  142.                 buffer.append("1");  
  143.             }     
  144.             else{  
  145.                 buffer.append("0");  
  146.             }  
  147.               
  148.             if( (i+1)%numEach == 0 ){  
  149.                 BigInteger eachValue = new BigInteger(buffer.toString(),2);  
  150.                 System.out.println("----" +eachValue );  
  151.                 buffer.delete(0, buffer.length());  
  152.                 characters.add(eachValue);  
  153.             }  
  154.         }  
  155.   
  156.         return characters;  
  157.     }  
  158.       
  159.     public static void main(String[] args) {  
  160.         String s = "This is a test string for testing";  
  161.   
  162.         SimHash hash1 = new SimHash(s, 64);  
  163.         System.out.println(hash1.intSimHash + "  " + hash1.intSimHash.bitLength());  
  164.           
  165.         hash1.subByDistance(hash1, 3);  
  166.   
  167.         System.out.println("\n");  
  168.         s = "This is a test string for testing, This is a test string for testing abcdef";  
  169.         SimHash hash2 = new SimHash(s, 64);  
  170.         System.out.println(hash2.intSimHash+ "  " + hash2.intSimHash.bitCount());  
  171.         hash1.subByDistance(hash2, 3);  
  172.         s = "This is a test string for testing als";  
  173.         SimHash hash3 = new SimHash(s, 64);  
  174.         System.out.println(hash3.intSimHash+ "  " + hash3.intSimHash.bitCount());  
  175.         hash1.subByDistance(hash3, 3);  
  176.         System.out.println("============================");  
  177.         int dis = hash1.getDistance(hash1.strSimHash,hash2.strSimHash);  
  178.           
  179.         System.out.println(hash1.hammingDistance(hash2) + " "+ dis);  
  180.           
  181.         int dis2 = hash1.getDistance(hash1.strSimHash,hash3.strSimHash);  
  182.           
  183.         System.out.println(hash1.hammingDistance(hash3) + " " + dis2);  
  184.           
  185.   
  186.   
  187.     }  
  188. }  
 

 

 

 

 


 

 

 

参考:   http://blog.sina.com.cn/s/blog_72995dcc010145ti.html

http://blog.sina.com.cn/s/blog_56d8ea900100y41b.html

http://blog.csdn.net/meijia_tts/article/details/7928579

 

posted on 2015-04-17 14:43 SIMONE 阅读(694) 评论(0)  编辑  收藏 所属分类: JAVA

只有注册用户登录后才能发表评论。


网站导航: