文本查重算法SimHash

Posted 2020-10-28 _fred

1.介绍　　

爬虫采集了大量的文本数据，如何进行去重？可以使用文本计算MD5，然后与已经抓取下来的MD5集合进行比较，但这种做法有个问题，文本稍有不同MD5值都会大相径庭，

无法处理文本相似问题。另一种方式是本文要介绍的SimHash，这是谷歌提出的一种局部敏感哈希算法，在吴军老师的《数学之美》里也有介绍，这种算法可以将文本降维成一个

数字，极大地减少了去重操作的计算量。SimHash算法主要分为以下几个步骤：

  1.分词，并为每个词加上权重，代表这个词在这句话中的重要程度（可以考虑使用TF-IDF算法）

  2.哈希，分好每个词映射为哈希值

  3.加权，按照单词的权重形成加权数字串，比如“美国”的hash值为“100101”，通过加权计算为“4 -4 -4 4 -4 4”；“51区”的hash值为“101011”，通过加权计算为 “ 5 -5 5 -5 5 5”。

  4.合并，把上面各个单词算出来的序列值累加，变成只有一个序列串

  5.降维，如果序列串每一位大于0 记为 1，小于0 记为 0。最后算出结果为：“1 0 1 0 1 1”。

2.SimHash的比较

  根据上面的步骤可以计算出每个文本的一个SimHash值，两个SimHash的相似度就是通过比较不同二者数位的个数，这叫做海明距离，比如10101 和 00110 ，海明距离

为3。

3.比较效率的提高

 加入我们已经有了一个simhash库，现在有一个query过来需要查询是否库里存在与这个query海明距离为1到3的文本，如何查询？

    方式1. 将这个query的海明距离为1到3的结果实时计算出来，然后依次在库里查找，缺点：海明距离为1到3的结果可能有上万个，逐个查询效率肯定很低。

    方式2.将库里每个simhash海明距离为1到3的结果事先离线计算出来，这样每个查询只需要O(1)的复杂度。缺点：需要的存储空间非常大。

 

待续。。。。