前言
SimHash是Google在2007年发表的论文《Detecting Near-Duplicates for Web Crawling
》中提到的一种指纹生成算法或者叫指纹提取算法,被Google广泛应用在亿级的网页去重的Job中,作为Locality Sensitive Hash
(局部敏感哈希)的一种,其主要思想是降维。
原理
步骤 | 说明 |
---|---|
分词 | 从Doc中抽取多个关键词,与对应计算权重组成键值对,如(关键词,权重)。 |
哈希 | 将关键词哈希,与对应计算权重组成键值对,如(Hash,权重)。 |
逐位处理 | 1 , 0 , 0 , 1 , 1 , 0 × w = w , − w , − w , w , w , − w 1,0, 0,1,1,0 × w = w,-w,-w,w,w,-w 1,0,0,1,1,0×w=w,−w,−w,w,w,−w逐位相乘,如果哈希值为1则为正数,为0则为负数。 |
按位相加 | 1 , 0 , 0 , 1 , 1 , 0 + 1 , 1 , 0 , 0 , 0 , 0 = 2 , 1 , 0 , 1 , 1 , 0 1,0, 0,1,1,0+1,1,0,0,0,0=2,1,0,1,1,0 1,0,0,1,1,0+1,1,0,0,0,0=2,1,0,1,1,0,按位相加。 |
之后,就是使用海明距离来计算两者之间的相似度。海明距离通过两个字符串通过逐位异或运算A xor B
之后的累加最后的结果得出。比如:
1
,
1
,
1
,
1
,
0
1,1,1,1,0
1,1,1,1,0和
0
,
0
,
0
,
0
,
1
0,0,0,0,1
0,0,0,0,1的海明距离为0。
优势
使用降维处理,大大降低了比较的次数,提高了计算的效率。
附录
- simhash算法原理及实现-拖鞋
- 海量数据去重之SimHash算法简介和应用 - 三劫散仙 - CSDN博客
- 海量数据去重之SimHash算法简介和应用 - ITeye博客
- 我的数学之美系列二 —— simhash与重复信息识别 - 让机器理解图像 - ITeye博客
- simHash海量文本去重 - 简书