|
simhash是google用来处理海量文本去重的算法。 google出品，你懂的。 simhash最牛逼的一点就是将一个文档，最后转换成一个64位的字节，暂且称之为特征字，然后判断重复只需要判断他们的特征字的距离是不是<n（根据经验这个n一般取值为3），就可以判断两个文档是否相似。
原理
simhash值的生成图解如下
大概花三分钟看懂这个图就差不多怎么实现这个simhash算法了。特别简单。谷歌出品嘛，简单实用。
算法过程大概如下：
- 将Doc进行关键词抽取(其中包括分词和计算权重)，抽取出n个(关键词，权重)对， 即图中的
(feature,weight)们。 记为?feature_weight_pairs?= [fw1,fw2 … fwn]，其中 fwn = (feature_n,weight_n`)。
-
hash_weight_pairs?= [ (hash(feature),weight) for feature,weight infeature_weight_pairs?] 生成图中的(hash,weight)们,此时假设hash生成的位数bits_count = 6（如图）;
- 然后对?
hash_weight_pairs?进行位的纵向累加，如果该位是1，则+weight,如果是0，则-weight，最后生成bits_count个数字，如图所示是[13,108,-22,-5,-32,55],这里产生的值和hash函数所用的算法相关。
-
到此，如何从一个doc到一个simhash值的过程已经讲明白了。 但是还有一个重要的部分没讲，
『simhash值的海明距离计算』
二进制串A 和 二进制串B 的海明距离 就是?A xor B?后二进制中1的个数。
举例如下：
A = 100111;
B = 101010;
hamming_distance(A,B) = count_1(A xor B) = count_1(001101) = 3;
当我们算出所有doc的simhash值之后，需要计算doc A和doc B之间是否相似的条件是：
A和B的海明距离是否小于等于n，这个n值根据经验一般取值为3,
simhash本质上是局部敏感性的hash，和md5之类的不一样。 正因为它的局部敏感性，所以我们可以使用海明距离来衡量simhash值的相似度。
『高效计算二进制序列中1的个数』
/* src/Simhasher.hpp */
bool isEqual(uint64_t lhs, uint64_t rhs, unsigned short n = 3)
{
unsigned short cnt = 0;
lhs ^= rhs;
while(lhs && cnt <= n)
{
lhs &= lhs - 1;
cnt++;
}
if(cnt <= n)
{
return true;
}
return false;
}
由上式这个函数来计算的话，时间复杂度是 O(n); 这里的n默认取值为3。由此可见还是蛮高效的。
『计算二进制序列中1的个数之O(1)算法实现』
感谢?@SCatWang?的评论分享：
（编辑：晋中站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
