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:
002 | * Function: simHash 判断文本相似度,该示例程支持中文<br/> |
003 | * date: 2013-8-6 上午1:11:48 <br/> |
007 | import java.io.IOException; |
008 | import java.io.StringReader; |
009 | import java.math.BigInteger; |
010 | import java.util.ArrayList; |
011 | import java.util.HashMap; |
012 | import java.util.List; |
014 | import org.wltea.analyzer.IKSegmentation; |
015 | import org.wltea.analyzer.Lexeme; |
017 | public class SimHash { |
019 | private String tokens; |
021 | private BigInteger intSimHash; |
023 | private String strSimHash; |
025 | private int hashbits = 64 ; |
027 | public SimHash(String tokens) throws IOException { |
028 | this .tokens = tokens; |
029 | this .intSimHash = this .simHash(); |
032 | public SimHash(String tokens, int hashbits) throws IOException { |
033 | this .tokens = tokens; |
034 | this .hashbits = hashbits; |
035 | this .intSimHash = this .simHash(); |
038 | HashMap<String, Integer> wordMap = new HashMap<String, Integer>(); |
040 | public BigInteger simHash() throws IOException { |
042 | int [] v = new int [ this .hashbits]; |
049 | StringReader reader = new StringReader( this .tokens); |
051 | IKSegmentation ik = new IKSegmentation(reader, true ); |
052 | Lexeme lexeme = null ; |
055 | while ((lexeme = ik.next()) != null ) { |
056 | word = lexeme.getLexemeText(); |
060 | BigInteger t = this .hash(word); |
061 | for ( int i = 0 ; i < this .hashbits; i++) { |
062 | BigInteger bitmask = new BigInteger( "1" ).shiftLeft(i); |
066 | if (t.and(bitmask).signum() != 0 ) { |
076 | BigInteger fingerprint = new BigInteger( "0" ); |
077 | StringBuffer simHashBuffer = new StringBuffer(); |
078 | for ( int i = 0 ; i < this .hashbits; i++) { |
081 | fingerprint = fingerprint.add( new BigInteger( "1" ).shiftLeft(i)); |
082 | simHashBuffer.append( "1" ); |
084 | simHashBuffer.append( "0" ); |
087 | this .strSimHash = simHashBuffer.toString(); |
088 | System.out.println( this .strSimHash + " length " + this .strSimHash.length()); |
092 | private BigInteger hash(String source) { |
093 | if (source == null || source.length() == 0 ) { |
094 | return new BigInteger( "0" ); |
096 | char [] sourceArray = source.toCharArray(); |
097 | BigInteger x = BigInteger.valueOf((( long ) sourceArray[ 0 ]) << 7 ); |
098 | BigInteger m = new BigInteger( "1000003" ); |
099 | BigInteger mask = new BigInteger( "2" ).pow( this .hashbits).subtract( new BigInteger( "1" )); |
100 | for ( char item : sourceArray) { |
101 | BigInteger temp = BigInteger.valueOf(( long ) item); |
102 | x = x.multiply(m).xor(temp).and(mask); |
104 | x = x.xor( new BigInteger(String.valueOf(source.length()))); |
105 | if (x.equals( new BigInteger( "-1" ))) { |
106 | x = new BigInteger( "-2" ); |
112 | public int hammingDistance(SimHash other) { |
114 | BigInteger x = this .intSimHash.xor(other.intSimHash); |
122 | while (x.signum() != 0 ) { |
124 | x = x.and(x.subtract( new BigInteger( "1" ))); |
129 | public int getDistance(String str1, String str2) { |
131 | if (str1.length() != str2.length()) { |
135 | for ( int i = 0 ; i < str1.length(); i++) { |
136 | if (str1.charAt(i) != str2.charAt(i)) { |
144 | public List subByDistance(SimHash simHash, int distance) { |
146 | int numEach = this .hashbits / (distance + 1 ); |
147 | List characters = new ArrayList(); |
149 | StringBuffer buffer = new StringBuffer(); |
152 | for ( int i = 0 ; i < this .intSimHash.bitLength(); i++) { |
154 | boolean sr = simHash.intSimHash.testBit(i); |
162 | if ((i + 1 ) % numEach == 0 ) { |
164 | BigInteger eachValue = new BigInteger(buffer.toString(), 2 ); |
165 | System.out.println( "----" + eachValue); |
166 | buffer.delete( 0 , buffer.length()); |
167 | characters.add(eachValue); |
174 | public static void main(String[] args) throws IOException { |
175 | 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," |
176 | + "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;" |
177 | + "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," |
178 | + "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," |
179 | + "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," |
180 | + "还能额外提供不相等的 原始内容的差异程度的信息。" ; |
181 | SimHash hash1 = new SimHash(s, 64 ); |
182 | System.out.println(hash1.intSimHash + " " + hash1.intSimHash.bitLength()); |
184 | hash1.subByDistance(hash1, 3 ); |
187 | 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;" |
188 | + "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," |
189 | + "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," |
190 | + "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," |
191 | + "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。" ; |
192 | SimHash hash2 = new SimHash(s, 64 ); |
193 | System.out.println(hash2.intSimHash + " " + hash2.intSimHash.bitCount()); |
194 | hash1.subByDistance(hash2, 3 ); |
197 | 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," |
198 | + "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。" |
199 | + "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," |
200 | + "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," |
201 | + "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," |
202 | + "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," |
203 | + "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" |
204 | + "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。" ; |
205 | SimHash hash3 = new SimHash(s, 64 ); |
206 | System.out.println(hash3.intSimHash + " " + hash3.intSimHash.bitCount()); |
207 | hash1.subByDistance(hash3, 3 ); |
209 | System.out.println( "============================" ); |
211 | int dis = hash1.getDistance(hash1.strSimHash, hash2.strSimHash); |
212 | System.out.println(hash1.hammingDistance(hash2) + " " + dis); |
214 | int dis2 = hash1.getDistance(hash1.strSimHash, hash3.strSimHash); |
215 | 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/