LSH︱python实现局部敏感哈希——LSHash

Posted 悟乙己

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了LSH︱python实现局部敏感哈希——LSHash相关的知识,希望对你有一定的参考价值。

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)
.


一、LSHash介绍

官方文档:https://github.com/kayzhu/LSHash

这个模块是python里面专门来实现LSH,比较特别的有:

  • 通过使用NumPy数组的计算将高维数据快速哈希。
  • 支持多哈希索引
  • 内置通常的距离函数/排名输出

安装

pip install lshash

.

1、主函数

LSHash(hash_size, input_dim, num_of_hashtables=1, storage=None, matrices_filename=None, overwrite=False)
  • hash_size:

二进制散列的长度。

  • input_dim:

输入变量的维度

  • num_hashtables = 1:

(optional)多索引查询时哈希表数量。

  • storage = None:
    Specify the name of the storage to be used for the index storage. Options include “redis”.
    存储

  • matrices_filename = None:

文档存储,以.npz方式

  • overwrite = False:

是否覆盖原文件
.

2、函数:lsh.index(input_point, extra_data=None)

  • input_point:

输入

  • extra_data = None:

(optional) Extra data to be added along with the input_point.
.

3、查询函数:lsh.query(query_point, num_results=None, distance_func=”euclidean”):

  • query_point:

The query data point is an array or tuple of numbers of input_dim.

  • num_results = None:

(optional) The number of query results to return in ranked order. By default all results will be returned.

  • distance_func = “euclidean”:

强调:这里的距离函数有,euclidean,true_euclidean,centred_euclidean,cosine,l1norm,hamming等多种。默认是euclidean 距离。

.


二、简单案例

>>> from lshash import LSHash

>>> lsh = LSHash(6, 8)
>>> lsh.index([1,2,3,4,5,6,7,8])
>>> lsh.index([2,3,4,5,6,7,8,9])
>>> lsh.index([10,12,99,1,5,31,2,3])
>>> lsh.query([1,2,3,4,5,6,7,7])
[((1, 2, 3, 4, 5, 6, 7, 8), 1.0),
 ((2, 3, 4, 5, 6, 7, 8, 9), 11)]

LSHash(6, 8),创建一个8维度,6-bits的哈希,初始化一下;
lsh.index,数据载入的过程;
lsh.query,查询。
这里可以选择自己喜欢的距离。

以上是关于LSH︱python实现局部敏感哈希——LSHash的主要内容,如果未能解决你的问题,请参考以下文章

LSH︱python实现局部敏感随机投影森林——LSHForest/sklearn

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)

局部敏感哈希(Locality-Sensitive Hashing, LSH)

LSH(局部敏感哈希)算法

局部敏感哈希(Locality-Sensitive Hashing, LSH)方法介绍(转)

局部敏感哈希LSH