Google对simhash的用法论文读书笔记

Posted 2022-02-03 ybdesire

1. 引入

最近需要对xml计算hash值，做分类与相似性搜索，查资料时正好看了google在2007年发表的“Detecting Near-Duplicates for Web Crawling”，有一些收获，记录一下。

2. 为什么用simhash

1. simhash使用比较短的位数，就能打败（达到相同的效果）其他hash值
2. cryptographic hash（比如sha1或者md5）会让相似输入（文本）的hash值区别很大
3. simhash会让相似输入（文本）的hash值区别很小

3. 多特征hash融合

1. 对每个特征(具体见6)计算hash后，得到hash_i
2. 叠加hash_i的每一位；若第j位为1，则该位叠加值加一；若第j位为0，则该位叠加值减一
3. 最终用符号正负来表示1/0

优点：多个特征不需要排序就能直接计算hash值，提高计算效率

4. （批量）相似性搜索的思路

1. 线性搜索，与库里所有hash值都对比计算汉明距离，耗时
2. 先计算/穷举出汉明距离在3之内的所有可能的向量，然后做直接对比
3. 巧妙的通过某些位数的的值，将库里的hash值分表存储与查询
4. 批量搜索，就用mapreduce来实现

这些思路，都是2007年的当时的思路，并非目前的最优解（直接用相似性搜索引擎）。

5. hash值压缩

1. 他这里hash值是存储到文件系统的，hash值压缩后能节约存储，提高相似性搜索速度。
2. 压缩过程主要是使用XOR运算结合霍夫曼编码等方法来实现

6. 从文档中提取了哪些特征

整个求simhash的流程，是先从文档中，提取出features。然后对各个feature求simhash，再用3中的方法把多个hash值融合为一个。

那么，能从文档中，提取出哪些feature呢？

1. n-gram

原文中用的是shingle这个词来表示特征，从参考1中，得到shingle的定义如下

• A contiguous subsequence contained in D is called a shingle
  就是D中的连续子序列，也就是N-Gram，比如 4-gram中的一个shingle例子：(a,rose,is,a)

2. 文档向量

比如IDF向量，原文中也提到了很多类似IDF的其他向量。

3. 链接信息

比如从哪几个page中的url能连接到该page

4. Anchor Text

Anchor Text就是html的a元素标记的可点击的文本。参考2中有详细讲解。

5. 段落

参考

1. https://www.cs.princeton.edu/courses/archive/spring13/cos598C/broder97resemblance.pdf
2. Anchor Text. https://moz.com/learn/seo/anchor-text