如何用 Simhash 算法比较文档的相似度？答案

【问题标题】：How to compare the similarity of documents with Simhash algorithm?如何用 Simhash 算法比较文档的相似度？
【发布时间】：2019-08-06 22:32:43
【问题描述】：

我目前正在创建一个程序，可以在文本文档（+5000 个文档）的语料库中计算近似重复的分数。我正在使用 Simhash 生成文档的 uniq 足迹（感谢github repo）

我的数据是：

data = {
    1: u'Im testing simhash algorithm.',
    2: u'test of simhash algorithm',
    3: u'This is simhash test.',
}

这给了我 3 个这样的哈希：

00100110101110100011111000100010010101011001000001110000111001011100110101001101111010100010001011001011000110000100110101010101>

000010011100100000000110000010001100100010100001010100000011000001001000111001001100101000000100000001100010010101010000010p>

1000111010110000010010101000001001000101101000100000000010100010110000110010000011001100000001100100000000011000000100110p>

现在，如何比较这 3 个哈希值？我知道我必须将它们分成块但没有确切的方法？

我想要做的是输出所有重复文档 (>70%) 及其 ID 和重复文档的 ID。

有人可以帮忙吗？

【问题讨论】：

标签： duplicates simhash

【解决方案1】：

在回答您的问题之前，请务必记住：

Simhash 很有用，因为它可以检测附近的重复项。这意味着接近重复的结果将具有相同的哈希值。
对于精确重复，您可以简单地使用任何一种方式，一致的散列机制（例如 md5）
您在此处粘贴的示例太小，考虑到它们的大小，它们之间的差异很大。该算法专为处理大型 Web 文档而不是小句子而设计。

现在，我已经回复了您关于 here 提出的 Github 问题的问题。

不过，作为参考，这里有一些示例代码，您可以使用它们在散列后打印最终的近乎重复的文档。

# assuming that you have a dictionary with document id as the key and the document as the value: 
# documents = { doc_id: doc } you can do:

from simhash import simhash

def split_hash(str, num):
    return [ str[start:start+num] for start in range(0, len(str), num) ]

hashes = {}
for doc_id, doc in documents.items():
    hash = simhash(doc)

    # you can either use the whole hash for higher precision or split into chunks for higher recall
    hash_chunks = split_hash(hash, 4)

    for chunk in hash_chunks:
        if chunk not in hashes:
            hashes[chunk] = []
        hashes[chunk].append(doc_id)

# now you can print the duplicate documents:
for hash, doc_list in hashes:
    if doc_list > 1:
        print("Duplicates documents: ", doc_list)

如果有什么不清楚的地方请告诉我。

【讨论】：

simhash 算法不依赖于以“相同哈希”结尾的近似重复。相反，接近重复的散列往往只有少量位不同的散列。如果您只寻找 相同的 哈希，那么您并没有真正正确地使用 simhash，而且结果非常有限。

【解决方案2】：

除了备忘录的回答，如果你想检测 >=70% 的相似度，你不能使用 simhash。 Simhash 只允许检测非常小的汉明距离，最多可以检测到大约 6 或 7 位的差异，具体取决于您的语料库的大小。对于 70% 的相似性，您必须允许 19 位差异，这在任何正常情况下都是不可能的。您应该改为研究 minhash。

如果您有兴趣，这里有一个广泛的explanation of simhash。

【讨论】：