• simHash 简介以及java实现

    http://gemantic.iteye.com/blog/1701101

    simHash 简介以及java实现

    博客分类：
    simHash java 去重 

    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。

     

     

    而Google 的 simhash 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 0 ； f 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=1 到 f ：

    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 4 位 hash 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： 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。

     

     

    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(" ");  
    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

     
  • 相关阅读:
    bzoj 4197 寿司晚宴
    Codeforces Round #429 (Div. 2)ABC
    Codeforces Round #386 (Div. 2) E
    UESTC 电子科大专题训练 数论 L
    UESTC 电子科大专题训练 数论 E
    Codeforces Round #396 D
    UESTC 电子科大专题训练 DP-E
    UESTC 电子科大专题训练 数据结构 L
    UESTC 电子科大专题训练 数据结构 K
    UESTC 电子科大专题训练 数据结构-E
  • 原文地址：https://www.cnblogs.com/donaldlee2008/p/5232390.html
Copyright © 2020-2023  润新知