LSH︱python实现局部敏感哈希——LSHash（二）

关于局部敏感哈希算法，之前用R语言实现过，但是由于在R中效能太低，于是放弃用LSH来做相似性检索。学了Python发现很多模块都能实现，而且通过随机投影森林让查询数据更快，觉得可以试试大规模应用在数据相似性检索+去重的场景。

私认为，文本的相似性可以分为两类：一类是机械相似性；一类是语义相似性。
机械相似性代表着，两个文本内容上的相关程度，比如“你好吗”和“你好”的相似性，纯粹代表着内容上字符是否完全共现，应用场景在：文章去重；
语义相似性代表着，两个文本语义上的相似程度，比如“苹果”和“公司”的相似性，本篇不做这一讨论

之前写关于R语言实现的博客：
R语言实现︱局部敏感哈希算法（LSH）解决文本机械相似性的问题（一，基本原理）
R语言实现︱局部敏感哈希算法（LSH）解决文本机械相似性的问题（二，textreuse介绍）

机械相似性python版的四部曲：
LSH︱python实现局部敏感随机投影森林——LSHForest/sklearn（一）
LSH︱python实现局部敏感哈希——LSHash（二）
相似性︱python+opencv实现pHash算法+hamming距离（simhash）（三）
LSH︱python实现MinHash-LSH及MinHash LSH Forest——datasketch（四）
.

---

一、LSHash介绍

官方文档：https://github.com/kayzhu/LSHash

这个模块是python里面专门来实现LSH，比较特别的有：

• 通过使用NumPy数组的计算将高维数据快速哈希。
• 支持多哈希索引
• 内置通常的距离函数/排名输出

安装

pip install lshash

.

1、主函数

LSHash(hash_size, input_dim, num_of_hashtables=1, storage=None, matrices_filename=None, overwrite=False)

• hash_size:

二进制散列的长度。

• input_dim:

输入变量的维度

• num_hashtables = 1:

(optional)多索引查询时哈希表数量。

• storage = None:
  Specify the name of the storage to be used for the index storage. Options include “redis”.
  存储

• matrices_filename = None:

文档存储，以.npz方式

• overwrite = False:

是否覆盖原文件
.

2、函数：lsh.index(input_point, extra_data=None)

• input_point:

输入

• extra_data = None:

(optional) Extra data to be added along with the input_point.
.

3、查询函数：lsh.query(query_point, num_results=None, distance_func=”euclidean”):

• query_point:

The query data point is an array or tuple of numbers of input_dim.

• num_results = None:

(optional) The number of query results to return in ranked order. By default all results will be returned.

• distance_func = “euclidean”:

强调：这里的距离函数有，euclidean，true_euclidean，centred_euclidean，cosine，l1norm，hamming等多种。默认是euclidean 距离。

.

---

二、简单案例

>>> from lshash import LSHash

>>> lsh = LSHash(6, 8)
>>> lsh.index([1,2,3,4,5,6,7,8])
>>> lsh.index([2,3,4,5,6,7,8,9])
>>> lsh.index([10,12,99,1,5,31,2,3])
>>> lsh.query([1,2,3,4,5,6,7,7])
[((1, 2, 3, 4, 5, 6, 7, 8), 1.0),
 ((2, 3, 4, 5, 6, 7, 8, 9), 11)]

LSHash(6, 8)，创建一个8维度，6-bits的哈希，初始化一下；
lsh.index,数据载入的过程；
lsh.query，查询。
这里可以选择自己喜欢的距离。