相似文档查找算法之 simHash

转自：介绍一个基于simhash作海量文章排重的库：simhashpy

摘要: 海量文章排重的具体实践方法，主要是介绍在工程当中如何使用。

基于simhash的海量文章排重的实践

简单介绍

simhash是一种能计算文档相似度的hash算法。通过simhash能将一篇文章映射成64bit，再比较两篇文章的64bit的海明距离，就能知道文章的相似程序。若两篇文章的海明距离<=3，可认为这两篇文章很相近，可认为它们是重复的文章。

这篇博客有详细的介绍

simhash-py

要更准确的对文章进行排重，需要找到好的simhash算法。目前我知道的有python-hashes，simhash-py。两个库通过简单的修改，再加上中文分词库，可以比较好的对中文文章计算hash。simhash-py可使用我fork的版本以支持中文文章的simhash （通过里面的hash_token或hash_tokenpy两个函数实现对切词之后的中文文章进行simhash计算）。

simhash算法

simhash算法最简单实现的库应该是python-hashes库了。使用过程当中发现，对于排重的使用目的来说，这个库的simhash算法有缺点是：只考虑到文章存在哪些词，没有考虑到词的顺序。不过相应的优点是，可以实现海量文章相似度计算。文章相似度计算忽略词的顺序之后效果更好。

simhash-py内部实现了simhash算法。它里面的simhash使用了cyclic hash算法，这个算法考虑到N（可以在3~5）个词之间的顺序。考虑到词的顺序的hash算法在排重过程当中会更准确，不过这个我也没有特别好的测试:)

simhash加快搜索

若看过本文推荐的simhash的原理讲解那篇文章，发现可以通过“shard”方式加快simhash值的搜索，从而能快速的知道是否存在重复的文章。而simhash-py库通过C++的Judy库实现了这一点。

simhash集群处理

既然可以通过“shard”方式，那么很容易把这个思路拓展到集群上。所以相应的，simhashpy的作者实现了simhash-cluster。

过程当中有疑问可加我开源项目交流QQ群：27498_3126 欢迎对数据处理有兴趣的同学多多交流。

转自：相似文档查找算法之 simHash 简介及其 java 实现

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，可以满足上述要求。出人意料，这个算法并不深奥，其思想是非常清澈美妙的。

1、Simhash 算法简介

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。

2、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264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。 

明确了算法了几何意义，使这个算法直观上看来是合理的。但是，为何最终得到的签名相近的程度，可以衡量原始文档的相似程度呢？这需要一个清晰的思路和证明。在simhash的发明人Charikar的论文中[2]并没有给出具体的simhash算法和证明，以下列出我自己得出的证明思路。

Simhash是由随机超平面hash算法演变而来的，随机超平面hash算法非常简单，对于一个n维向量v，要得到一个f位的签名(f<<n)，算法如下： 
1，随机产生f个n维的向量r1,…rf； 
2，对每一个向量ri，如果v与ri的点积大于0，则最终签名的第i位为1，否则为0. 

这个算法相当于随机产生了f个n维超平面，每个超平面将向量v所在的空间一分为二，v在这个超平面上方则得到一个1，否则得到一个0，然后将得到的 f个0或1组合起来成为一个f维的签名。如果两个向量u, v的夹角为θ，则一个随机超平面将它们分开的概率为θ/π，因此u, v的签名的对应位不同的概率等于θ/π。所以，我们可以用两个向量的签名的不同的对应位的数量，即汉明距离，来衡量这两个向量的差异程度。

Simhash算法与随机超平面hash是怎么联系起来的呢？在simhash算法中，并没有直接产生用于分割空间的随机向量，而是间接产生的：第 k个特征的hash签名的第i位拿出来，如果为0，则改为-1，如果为1则不变，作为第i个随机向量的第k维。由于hash签名是f位的，因此这样能产生 f个随机向量，对应f个随机超平面。下面举个例子： 
假设用5个特征w1,…,w5来表示所有文档，现要得到任意文档的一个3维签名。假设这5个特征对应的3维向量分别为： 
h(w1) = (1, -1, 1)T 
h(w2) = (-1, 1, 1)T 
h(w3) = (1, -1, -1)T 
h(w4) = (-1, -1, 1)T 
h(w5) = (1, 1, -1)T 

按simhash算法，要得到一个文档向量d=(w1=1, w2=2, w3=0, w4=3, w5=0) T的签名，

先要计算向量m = 1*h(w1) + 2*h(w2) + 0*h(w3) + 3*h(w4) + 0*h(w5) = (-4, -2, 6) T， 
然后根据simhash算法的步骤3，得到最终的签名s=001。 

上面的计算步骤其实相当于，先得到3个5维的向量，第1个向量由h(w1),…,h(w5)的第1维组成：

r1=(1,-1,1,-1,1) T； 
第2个5维向量由h(w1),…,h(w5)的第2维组成： 
r2=(-1,1,-1,-1,1) T； 
同理，第3个5维向量为： 
r3=(1,1,-1,1,-1) T. 
按随机超平面算法的步骤2，分别求向量d与r1,r2,r3的点积: 
d T r1=-4 < 0，所以s1=0; 
d T r2=-2 < 0，所以s2=0; 
d T r3=6 > 0，所以s3=1. 
故最终的签名s=001，与simhash算法产生的结果是一致的。 

从上面的计算过程可以看出，simhash算法其实与随机超平面hash算法是相同的，simhash算法得到的两个签名的汉明距离，可以用来衡量原始向量的夹角。这其实是一种降维技术，将高维的向量用较低维度的签名来表征。衡量两个内容相似度，需要计算汉明距离，这对给定签名查找相似内容的应用来说带来了一些计算上的困难；我想，是否存在更为理想的simhash算法，原始内容的差异度，可以直接由签名值的代数差来表示呢？

3、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。 

4、示例代码：

/** * Function: simHash 判断文本相似度，该示例程支持中文<br/> * date: 2013-8-6 上午1:11:48 <br/> * @author june * @version 0.1 */import java.io.IOException;import java.io.StringReader;import java.math.BigInteger;import java.util.ArrayList;import java.util.HashMap;import java.util.List;import org.wltea.analyzer.IKSegmentation;import org.wltea.analyzer.Lexeme;public class SimHash {private String tokens;private BigInteger intSimHash;private String strSimHash;private int hashbits = 64;public SimHash(String tokens) throws IOException {this.tokens = tokens;this.intSimHash = this.simHash();}public SimHash(String tokens, int hashbits) throws IOException {this.tokens = tokens;this.hashbits = hashbits;this.intSimHash = this.simHash();}HashMap<String, Integer> wordMap = new HashMap<String, Integer>();public BigInteger simHash() throws IOException {// 定义特征向量/数组int[] v = new int[this.hashbits];// 英文分词// StringTokenizer stringTokens = new StringTokenizer(this.tokens);// while (stringTokens.hasMoreTokens()) {// String temp = stringTokens.nextToken();// }// 1、中文分词，分词器采用 IKAnalyzer3.2.8 ，仅供演示使用，新版 API 已变化。StringReader reader = new StringReader(this.tokens);// 当为true时，分词器进行最大词长切分IKSegmentation ik = new IKSegmentation(reader, true);Lexeme lexeme = null;String word = null;String temp = null;while ((lexeme = ik.next()) != null) {word = lexeme.getLexemeText();// 注意停用词会被干掉// System.out.println(word);// 2、将每一个分词hash为一组固定长度的数列.比如 64bit 的一个整数.BigInteger t = this.hash(word);for (int i = 0; i < this.hashbits; i++) {BigInteger bitmask = new BigInteger("1").shiftLeft(i);// 3、建立一个长度为64的整数数组(假设要生成64位的数字指纹,也可以是其它数字),// 对每一个分词hash后的数列进行判断,如果是1000...1,那么数组的第一位和末尾一位加1,// 中间的62位减一,也就是说,逢1加1,逢0减1.一直到把所有的分词hash数列全部判断完毕.if (t.and(bitmask).signum() != 0) {// 这里是计算整个文档的所有特征的向量和// 这里实际使用中需要 +- 权重，比如词频，而不是简单的 +1/-1，v[i] += 1;} else {v[i] -= 1;}}}BigInteger fingerprint = new BigInteger("0");StringBuffer simHashBuffer = new StringBuffer();for (int i = 0; i < this.hashbits; i++) {// 4、最后对数组进行判断,大于0的记为1,小于等于0的记为0,得到一个 64bit 的数字指纹/签名.if (v[i] >= 0) {fingerprint = fingerprint.add(new BigInteger("1").shiftLeft(i));simHashBuffer.append("1");} else {simHashBuffer.append("0");}}this.strSimHash = simHashBuffer.toString();System.out.println(this.strSimHash + " length " + this.strSimHash.length());return fingerprint;}private BigInteger hash(String source) {if (source == null || source.length() == 0) {return new BigInteger("0");} else {char[] sourceArray = source.toCharArray();BigInteger x = BigInteger.valueOf(((long) sourceArray[0]) << 7);BigInteger m = new BigInteger("1000003");BigInteger mask = new BigInteger("2").pow(this.hashbits).subtract(new BigInteger("1"));for (char item : sourceArray) {BigInteger temp = BigInteger.valueOf((long) item);x = x.multiply(m).xor(temp).and(mask);}x = x.xor(new BigInteger(String.valueOf(source.length())));if (x.equals(new BigInteger("-1"))) {x = new BigInteger("-2");}return x;}}public int hammingDistance(SimHash other) {BigInteger x = this.intSimHash.xor(other.intSimHash);int tot = 0;// 统计x中二进制位数为1的个数// 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，// 我们看n能做多少次这样的操作就OK了。while (x.signum() != 0) {tot += 1;x = x.and(x.subtract(new BigInteger("1")));}return tot;}public int getDistance(String str1, String str2) {int distance;if (str1.length() != str2.length()) {distance = -1;} else {distance = 0;for (int i = 0; i < str1.length(); i++) {if (str1.charAt(i) != str2.charAt(i)) {distance++;}}}return distance;}public List subByDistance(SimHash simHash, int distance) {// 分成几组来检查int numEach = this.hashbits / (distance + 1);List characters = new ArrayList();StringBuffer buffer = new StringBuffer();int k = 0;for (int i = 0; i < this.intSimHash.bitLength(); i++) {// 当且仅当设置了指定的位时，返回 trueboolean sr = simHash.intSimHash.testBit(i);if (sr) {buffer.append("1");} else {buffer.append("0");}if ((i + 1) % numEach == 0) {// 将二进制转为BigIntegerBigInteger eachValue = new BigInteger(buffer.toString(), 2);System.out.println("----" + eachValue);buffer.delete(0, buffer.length());characters.add(eachValue);}}return characters;}public static void main(String[] args) throws IOException {String s = "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。";SimHash hash1 = new SimHash(s, 64);System.out.println(hash1.intSimHash + "  " + hash1.intSimHash.bitLength());// 计算 海明距离 在 3 以内的各块签名的 hash 值hash1.subByDistance(hash1, 3);// 删除首句话，并加入两个干扰串s = "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，" + "干扰1还能额外提供不相等的 原始内容的差异程度的信息。";SimHash hash2 = new SimHash(s, 64);System.out.println(hash2.intSimHash + "  " + hash2.intSimHash.bitCount());hash1.subByDistance(hash2, 3);// 首句前添加一句话，并加入四个干扰串s = "imhash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。"+ "传统干扰4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，" + "原理上这次差异有多大呢3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，干扰1还能额外提供不相等的 原始再来干扰2内容的差异程度的信息。";SimHash hash3 = new SimHash(s, 64);System.out.println(hash3.intSimHash + "  " + hash3.intSimHash.bitCount());hash1.subByDistance(hash3, 3);System.out.println("============================");int dis = hash1.getDistance(hash1.strSimHash, hash2.strSimHash);System.out.println(hash1.hammingDistance(hash2) + " " + dis);// 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，它们必有一块签名subByDistance()完全相同。int dis2 = hash1.getDistance(hash1.strSimHash, hash3.strSimHash);System.out.println(hash1.hammingDistance(hash3) + " " + dis2);}}

5、适用场景：

simHash在短文本的可行性：

测试相似文本的相似度与汉明距离
测试文本：20个城市名作为词串：北京,上海,香港,深圳,广州,台北,南京,大连,苏州,青岛,无锡,佛山,重庆,宁波,杭州,成都,武汉,澳门,天津,沈阳

相似度矩阵：

simHash码：

勘误：0.667, Hm:13 是对比的msg 1与2。
可见：相似度在0.8左右的Hamming距离为7，只有相似度高到0.9412，Hamming距离才近到4，

此时，反观Google对此算法的应用场景：网页近重复、镜像网站、内容复制、嵌入广告、计数改变、少量修改。
以上原因对于长文本来说造成的相似度都会比较高，而对于短文本来说，如何处理海量数据的相似度文本更为合适的？

测试短文本（长度在8个中文字符～45个中文字符之间）相似性的误判率如下图所示：

REF：

1、simHash 简介以及java实现

http://blog.sina.com.cn/s/blog_4f27dbd501013ysm.html

2、对simhash算法的一些思考

http://2588084.blog.51cto.com/2578084/558873

3、Simhash算法原理和网页查重应用

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

4、其它

http://www.cnblogs.com/zhengyun_ustc/archive/2012/06/12/sim.html

http://tech.uc.cn/?p=1086  利用Simhash快速查找相似文档

http://jacoxu.com/?p=369  simHash是否适合短文本的相似文本匹配

https://github.com/sing1ee/simhash-java

http://blog.jobbole.com/46839/    海量数据相似度计算之simhash和海明距离

求二进制数中1的个数

http://segmentfault.com/q/1010000000269106

海量数据相似度计算之simhash短文本查找（提升查找效率）

http://blog.jobbole.com/47748/