1. 為什么需要Simhash?

傳統(tǒng)相似度算法：文本相似度的計(jì)算，一般使用向量空間模型(VSM)，先對文本分詞，提取特征，根據(jù)特征建立文本向量，把文本之間相似度的計(jì)算轉(zhuǎn)化為特征向量距離的計(jì)算，如歐式距離、余弦夾角等。

缺點(diǎn)：大數(shù)據(jù)情況下復(fù)雜度會很高。

Simhash應(yīng)用場景：計(jì)算大規(guī)模文本相似度，實(shí)現(xiàn)海量文本信息去重。

Simhash算法原理：通過hash值比較相似度，通過兩個(gè)字符串計(jì)算出的hash值，進(jìn)行異或操作，然后得到相差的個(gè)數(shù)，數(shù)字越大則差異越大。

2. 文章關(guān)鍵詞特征提取算法TD-IDF

詞頻（TF）：一個(gè)詞語在整篇文章中出現(xiàn)的次數(shù)與詞語總個(gè)數(shù)之比；

逆向詞頻（IDF)：一個(gè)詞語，在所有文章中出現(xiàn)的頻率都非常高，這個(gè)詞語不具有代表性，就可以降低其作用，也就是賦予其較小的權(quán)值。

分子代表文章總數(shù)，分母表示該詞語在這些文章出現(xiàn)的篇數(shù)。一般會采取分母加一的方法，防止分母為0的情況出現(xiàn)，在這個(gè)比值之后取對數(shù)，就是IDF了。

最終用tf*idf得到一個(gè)詞語的權(quán)重，進(jìn)而計(jì)算一篇文章的關(guān)鍵詞。然后根據(jù)每篇文章對比其關(guān)鍵詞的方法來對文章進(jìn)行去重。simhash算法對效率和性能進(jìn)行平衡，既可以很少的對比（關(guān)鍵詞不能取太多），又能有好的代表性（關(guān)鍵詞不能過少）。

3. Simhash原理

Simhash是一種局部敏感hash。即假定A、B具有一定的相似性，在hash之后，仍然能保持這種相似性，就稱之為局部敏感hash。

得到一篇文章關(guān)鍵詞集合，通過hash的方法把關(guān)鍵詞集合hash成一串二進(jìn)制，直接對比二進(jìn)制數(shù)，其相似性就是兩篇文檔的相似性，在查看相似性時(shí)采用海明距離，即在對比二進(jìn)制的時(shí)候，看其有多少位不同，就稱海明距離為多少。

將文章simhash得到一串64位的二進(jìn)制，根據(jù)經(jīng)驗(yàn)一般取海明距離為3作為閾值，即在64位二進(jìn)制中，只要有三位以內(nèi)不同，就可以認(rèn)為兩個(gè)文檔是相似的，這里的閾值也可以根據(jù)自己的需求來設(shè)置。也就是把一個(gè)文檔hash之后得到一串二進(jìn)制數(shù)的算法，稱這個(gè)hash為simhash。

simhash具體實(shí)現(xiàn)步驟如下：

• 1. 將文檔分詞，取一個(gè)文章的TF-IDF權(quán)重最高的前20個(gè)詞（feature）和權(quán)重（weight）。即一篇文檔得到一個(gè)長度為20的（feature：weight）的集合。
• 2. 對其中的詞（feature），進(jìn)行普通的哈希之后得到一個(gè)64為的二進(jìn)制，得到長度為20的（hash : weight）的集合。
• 3. 根據(jù)（2）中得到一串二進(jìn)制數(shù)（hash）中相應(yīng)位置是1是0，對相應(yīng)位置取正值weight和負(fù)值weight。例如一個(gè)詞進(jìn)過（2）得到（010111：5）進(jìn)過步驟（3）之后可以得到列表[-5,5,-5,5,5,5]。由此可以得到20個(gè)長度為64的列表[weight，-weight...weight]代表一個(gè)文檔。
• 4. 對（3）中20個(gè)列表進(jìn)行列向累加得到一個(gè)列表。如[-5,5,-5,5,5,5]、[-3,-3,-3,3,-3,3]、[1,-1,-1,1,1,1]進(jìn)行列向累加得到[-7，1，-9，9，3，9]，這樣，我們對一個(gè)文檔得到，一個(gè)長度為64的列表。
• 5. 對（4）中得到的列表中每個(gè)值進(jìn)行判斷，當(dāng)為負(fù)值的時(shí)候去0，正值取1。例如，[-7，1，-9，9，3，9]得到010111，這樣就得到一個(gè)文檔的simhash值了。
• 6. 計(jì)算相似性。兩個(gè)simhash取異或，看其中1的個(gè)數(shù)是否超過3。超過3則判定為不相似，小于等于3則判定為相似。

Simhash整體流程圖如下：

4. Simhash的不足

完全無關(guān)的文本正好對應(yīng)成了相同的simhash，精確度并不是很高，而且simhash更適用于較長的文本，但是在大規(guī)模語料進(jìn)行去重時(shí)，simhash的計(jì)算速度優(yōu)勢還是很不錯(cuò)的。

5. Simhash算法實(shí)現(xiàn)

# !/usr/bin/python
# coding=utf-8
class Simhash:
    def __init__(self, tokens='', hashbits=128):
        self.hashbits = hashbits
        self.hash = self.simhash(tokens)
    def __str__(self):
        return str(self.hash)
    # 生成simhash值
    def simhash(self, tokens):
        v = [0] * self.hashbits
        for t in [self._string_hash(x) for x in tokens]:  # t為token的普通hash值
            for i in range(self.hashbits):
                bitmask = 1 << i
                if t & bitmask:
                    v[i] += 1  # 查看當(dāng)前bit位是否為1,是的話將該位+1
                else:
                    v[i] -= 1  # 否則的話,該位-1
        fingerprint = 0
        for i in range(self.hashbits):
            if v[i] >= 0:
                fingerprint += 1 << i
        return fingerprint  # 整個(gè)文檔的fingerprint為最終各個(gè)位>=0的和
    # 求海明距離
    def hamming_distance(self, other):
        x = (self.hash ^ other.hash) & ((1 << self.hashbits) - 1)
        tot = 0
        while x:
            tot += 1
            x &= x - 1
        return tot
    # 求相似度
    def similarity(self, other):
        a = float(self.hash)
        b = float(other.hash)
        if a > b:
            return b / a
        else:
            return a / b
    # 針對source生成hash值
    def _string_hash(self, source):
        if source == "":
            return 0
        else:
            x = ord(source[0]) << 7
            m = 1000003
            mask = 2 ** self.hashbits - 1
            for c in source:
                x = ((x * m) ^ ord(c)) & mask
            x ^= len(source)
            if x == -1:
                x = -2
            return x

測試：

if __name__ == '__main__':
    s = 'This is a test string for testing'
    hash1 = Simhash(s.split())
    s = 'This is a string testing 11'
    hash2 = Simhash(s.split())
    print(hash1.hamming_distance(hash2), "   ", hash1.similarity(hash2))

到此這篇關(guān)于如何利用python實(shí)現(xiàn)Simhash算法的文章就介紹到這了,更多相關(guān)pythonSimhash算法內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論