LSH︱python实现MinHash-LSH及MinHash LSH Forest——datasketch（四）

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）

---

datasketch这个模块有非常多的功能，主要是：

• HyperLogLog
• HyperLogLog++
• MinHash LSH
• MinHash LSH Ensemble
• MinHash LSH Forest
• MinHash
• Weighted MinHash

其中MinHash 与simHash不同，其主要采用的是Jaccard距离，LSHForest/sklearn是常规的Hash函数，所以可以用cosine距离。
其中，Jaccard距离较多地可以应用在BOW模型之上，图片和文字在用词袋模型表征特征的时候，较适合应用。
.

---

一、MinHash

在检索场景应用比较多，每当有新的搜索,需要创建一个新的MinHash，同时与候选集中求Jaccard相似性，然后根据一些阈值筛选符合的样例。

1、MinHash 主函数

class datasketch.MinHash(num_perm=128, seed=1, hashobj=<built-in function openssl_sha1>, hashvalues=None, permutations=None)

MinHash 哈希化专属的距离是 Jaccard距离。

• num_perm (int, optional)

哈希置换函数设定个数，如果hashvalues有值，那么该参数将被忽略。

• seed (int, optional)

  — MinHash中随机种子。

• hashobj (optional)

  — MinHash的哈希方程式。

• hashvalues (numpy.array or list, optional)

  — 哈希内部状态。如果使用另外已经存在状态的MinHash，哈希初始化会更快

• permutations (optional)

  — 哈希置换函数的参数。如果有已经存在状态的MinHash，会更快

当然，如果要节约内存可以使用： datasketch.LeanMinHash
MinHash

2、MinHash案例

from datasketch import MinHash

data1 = ['minhash', 'is', 'a', 'probabilistic', 'data', 'structure', 'for',
        'estimating', 'the', 'similarity', 'between', 'datasets']
data2 = ['minhash', 'is', 'a', 'probability', 'data', 'structure', 'for',
        'estimating', 'the', 'similarity', 'between', 'documents']

m1, m2 = MinHash(), MinHash()
for d in data1:
    m1.update(d.encode('utf8'))
for d in data2:
    m2.update(d.encode('utf8'))
print("Estimated Jaccard for data1 and data2 is", m1.jaccard(m2))

s1 = set(data1)
s2 = set(data2)
actual_jaccard = float(len(s1.intersection(s2)))/float(len(s1.union(s2)))
print("Actual Jaccard for data1 and data2 is", actual_jaccard)

案例的大致步骤为：

• MinHash初始化状态，需要预先设定MinHash()初始化
• 内容哈希化，内容m1.update哈希化
• jaccard距离，float(len(s1.intersection(s2)))/float(len(s1.union(s2)))用集合的方式求距离

另外：

• 1、提高精度

m = MinHash(num_perm=256)

通过调整num_perm数量，来提高精度，代价是更多CPU消耗 + 更多内存

• 2、哈希合并

m1.merge(m2)

联合两个minhash，这样就可以更快的进行并行parallel MapReduce

• 3、求cardinality count

    def count(self):
        k = len(self)
        return np.float(k) / np.sum(self.hashvalues / np.float(_max_hash)) - 1.0

m.count()

二、MinHash LSH

LSH能够将相似的条例远大于非相似的，详细详细可见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）

1、主函数MinHash LSH

MinHashLSH(threshold=0.9, num_perm=128, weights=(0.5, 0.5), params=None)

• threshold (float)

  – Jaccard 距离阈值设定，默认为0.9

• num_perm (int, optional)

  – 哈希置换函数设定个数，在weighted-MinHash中为样本规模大小。

• weights (tuple, optional)

  – 优化Jaccard 阈值，能够弹性选择。

• params (tuple, optional)

  – bands 的数量与规模大小。

2、案例

from datasketch import MinHash, MinHashLSH

set1 = set(['minhash', 'is', 'a', 'probabilistic', 'data', 'structure', 'for',
            'estimating', 'the', 'similarity', 'between', 'datasets'])
set2 = set(['minhash', 'is', 'a', 'probability', 'data', 'structure', 'for',
            'estimating', 'the', 'similarity', 'between', 'documents'])
set3 = set(['minhash', 'is', 'probability', 'data', 'structure', 'for',
            'estimating', 'the', 'similarity', 'between', 'documents'])

m1 = MinHash(num_perm=128)
m2 = MinHash(num_perm=128)
m3 = MinHash(num_perm=128)
for d in set1:
    m1.update(d.encode('utf8'))
for d in set2:
    m2.update(d.encode('utf8'))
for d in set3:
    m3.update(d.encode('utf8'))

# Create LSH index
lsh = MinHashLSH(threshold=0.5, num_perm=128)
lsh.insert("m2", m2)
lsh.insert("m3", m3)
result = lsh.query(m1)
print("Approximate neighbours with Jaccard similarity > 0.5", result)

案例的大致步骤为：

• MinHash初始化状态，需要预先设定MinHash(num_perm=128)初始化状态
• 内容哈希化，内容m1.update哈希化
• MinHashLSH初始化， MinHashLSH(threshold=0.5, num_perm=128)
• 内容载入LSH系统，lsh.insert(“m3”, m3)，其中insert（Hash名称，minHash值）
• 查询，lsh.query，其中查询的内容也必须minHash化。

同时，MinHashLSH不能采用多项内容 Top-K 查询。可以使用之后的 MinHash LSH Forest，同时Jaccard 距离可能不是最好的选择，也可以选择其他的距离，可见MinHash LSH Ensemble.

额外的其他内容：

• 移除相关哈希值：

remove(key)

与lsh.insert(“m2”, m2)，对应。

• 是否为空

is_empty()

返回的是布尔值，检查hash是否为空
.

---

三、MinHash LSH Forest——局部敏感随机投影森林

与文章LSH︱python实现局部敏感随机投影森林——LSHForest/sklearn（一）类似，都是用来做随机投影森林的，这里专门使用minhash。
MinHash LSH可以使用radius 或阈值查询。同时，MinHash LSH Forest支持指定top-K查询内容。forest更少地占用空间。

1、主函数

MinHashLSHForest(num_perm=128, l=8)

与原论文使用prefix trees不同，作者这里把哈希值存储在每个哈希列表中。
num_perm就是随机置换函数的个数，l代表prefix trees的数量。

其中每个前缀树的最大深度K取决于num_perm、l

k = int(num_perm / l)

.

2、案例

from datasketch import MinHashLSHForest, MinHash

data1 = ['minhash', 'is', 'a', 'probabilistic', 'data', 'structure', 'for',
        'estimating', 'the', 'similarity', 'between', 'datasets']
data2 = ['minhash', 'is', 'a', 'probability', 'data', 'structure', 'for',
        'estimating', 'the', 'similarity', 'between', 'documents']
data3 = ['minhash', 'is', 'probability', 'data', 'structure', 'for',
        'estimating', 'the', 'similarity', 'between', 'documents']

# Create MinHash objects
m1 = MinHash(num_perm=128)
m2 = MinHash(num_perm=128)
m3 = MinHash(num_perm=128)
for d in data1:
    m1.update(d.encode('utf8'))
for d in data2:
    m2.update(d.encode('utf8'))
for d in data3:
    m3.update(d.encode('utf8'))

# Create a MinHash LSH Forest with the same num_perm parameter
forest = MinHashLSHForest(num_perm=128)

# Add m2 and m3 into the index
forest.add("m2", m2)
forest.add("m3", m3)

# IMPORTANT: must call index() otherwise the keys won't be searchable
forest.index()

# Check for membership using the key
print("m2" in forest)
print("m3" in forest)

# Using m1 as the query, retrieve top 2 keys that have the higest Jaccard
result = forest.query(m1, 2)
print("Top 2 candidates", result)

案例的大致步骤为：

• MinHash初始化状态，需要预先设定MinHash(num_perm=128)初始化状态
• 内容哈希化，内容m1.update哈希化
• MinHashLSHForest初始化， MinHashLSHForest(num_perm=128)
• 内容载入投影森林之中，forest.add(“m2”, m2)
• forest.index()，相当于update一下，更新一下
• 查询，lsh.query，其中查询的内容也必须minHash化。
  .

---

四、MinHash LSH Ensemble

新距离：Containment，简单介绍一下。

案例一则：

from datasketch import MinHashLSHEnsemble, MinHash

set1 = set(["cat", "dog", "fish", "cow"])
set2 = set(["cat", "dog", "fish", "cow", "pig", "elephant", "lion", "tiger",
             "wolf", "bird", "human"])
set3 = set(["cat", "dog", "car", "van", "train", "plane", "ship", "submarine",
             "rocket", "bike", "scooter", "motorcyle", "SUV", "jet", "horse"])

# Create MinHash objects
m1 = MinHash(num_perm=128)
m2 = MinHash(num_perm=128)
m3 = MinHash(num_perm=128)
for d in set1:
    m1.update(d.encode('utf8'))
for d in set2:
    m2.update(d.encode('utf8'))
for d in set3:
    m3.update(d.encode('utf8'))

# Create an LSH Ensemble index with a threshold
lshensemble = MinHashLSHEnsemble(threshold=0.8, num_perm=128)

# Index takes an iterable of (key, minhash, size)
lshensemble.index([("m2", m2, len(set2)), ("m3", m3, len(set3))])

# Check for membership using the key
print("m2" in lshensemble)
print("m3" in lshensemble)

# Using m1 as the query, get an result iterator
print("Sets with containment > 0.8:")
for key in lshensemble.query(m1, len(set1)):
    print(key)

.

---

五、Weighted MinHash

Jaccard距离加权

import numpy as np
from datasketch import WeightedMinHashGenerator
from datasketch import MinHashLSH

v1 = np.random.uniform(1, 10, 10)
v2 = np.random.uniform(1, 10, 10)
v3 = np.random.uniform(1, 10, 10)
mg = WeightedMinHashGenerator(10, 5)
m1 = mg.minhash(v1)
m2 = mg.minhash(v2)
m3 = mg.minhash(v3)

# Create weighted MinHash LSH index
lsh = MinHashLSH(threshold=0.1, sample_size=5)
lsh.insert("m2", m2)
lsh.insert("m3", m3)
result = lsh.query(m1)
print("Approximate neighbours with weighted Jaccard similarity > 0.1", result)