使用simhash的方法进行文档去重。


【转载自网络】


前一篇提到了5个解决网页去重的算法,这里我想讨论下这些算法

1. I-Match

2. Shingliing

3. SimHashing( locality sensitive hash)

4. Random Projection

5. SpotSig

6. combined

I-Match算法 

I-Match算法有一个基本的假设说:不经常出现的词和经常出现的词不会影响文档的语义,所以这些词是可以去掉的。 

算法的基本思想是:将文档中有语义的单词用hash的办法表示成一个数字,数字的相似性既能表达文档的相似性 

算法的框架是: 

1. 获取文档(或者是主体内容) 

2. 将文档分解成token流,移除格式化的标签 

3. 使用term的阈值(idf),保留有意义的tokens 

4. 插入tokens到升序排列的排序树中 

5. 计算tokens的SHA1 

6. 将元组(doc_id,SHA hash) 插入到某一词典中,如果词典有冲突,这两个文档相似。

算法有一个缺点是稳定性差。如果文档的某个词改变了,最终的hash值就会发生显著的变化。对空文档,算法是无效的。 

有一个解决办法是,用随机化的方法,参考Lexicon randomization for near-duplicate detection with I-Match。具体细节这里就不提了

Shingling算法 

Shingling算法说,I-Match以词为单位做hash显然是不准确的,因为它忽略了文档之间的顺序。另,Shingle指的是连续的若干个单词的串。 

Shingling算法有个简单的数学背景。如果一个shingle的长度为k,那么长度为n的文档就有n-k+1个shingle,每一个shingle可以用MD5或者其他算法表示成一个fingerprint,而两个文档的相似性Jacard相似性来表示,Jarcard公式是指两个集合的相似性=集合之交/集合之并。为了估计两个文档的相似性,有时候n-k+1个fingerprint还是太大了,所以取m个fingerprint函数,对每一个函数fi,都可以计算出n-k+1个fingerprint,取其中的最小的fingerprint,称为i-minvalue. 那么一个文档就有m个i-minvalue。数学上,Broder大师说:

        平均来讲,两个文档中相同的唯一single的比率和两个文档中相同的i-minvalue的比率是一样的

Shingling的算法框架是: 

1. 获取文档(或者是主体内容) 

2. 将文档分解成n-k+1个shingle,取m个fingerprint函数,对每一个fingerpint函数计算i-minvalue值 

3. 将m个i-minvalue值组合成更少m’个surpersingle 

4.计算两个文档相同的surpergingle的个数a。 

5. 如果a大于某一个值b(say:2),那么两个文档Jarcard 相似

一般的参数设置为:m=84,m’=6,b=2

SimHash 算法

locality sensitive hash算法博大精深。基本思想是,如果两个东西相似,我可以用一个hash函数把他们投影到相近的空间中LSH。用到near duplication detection上,算法框架是: 

1. 将文档转换为特征的集合,每一个特征有一个权重 

2. 利用LSH函数把特征向量转换为f位的fingerprint,如:64 

3. 查找fingerprint的海明距离

haha,看,多么简单和明朗,这里的几个问题及时寻找正确的LSH

Random Projection算法 

shingling关注了文档顺序,但是忽略了文档单词出现的频率,random projection说我要讨论文档的频率。

Random Projection也是很有意思的一种算法,它是一种随机算法。简单描述为: 

1. 将每一个token映射到b位的空间。每一个维度是由{-1,1}组成。对所有页面投影函数是一样的 

2. 每一个页面的b维度向量,是所有token的投影的简单加和 

3. 最后把b维向量中的正数表示为1,负数和0都写成0 

4. 比较两个page的b维向量一致的个数

Charikar最牛的地方是,证明,两个b位变量一致的位数的比率就是文档向量的consine相似性。这里的数学基础还是很有意思的,如果感兴趣,可以参考M.S. Charikar. Similarity Estimation Techniques for Rounding Algorithm(May 2002)

SpotSig算法

ref:SpotSigs:Robust and Efficient Near Duplicate Detection in Large Web Collection 

SpotSig是个比较有意思的算法,它说,我为什么要关注所有的单词啊,我要关注的单词是有语义的词,哪些是有语义的词呢?哦,想 the a this an 的等虚词后面的就是我要关注的东西罗。Spot就是指这些虚词的后面的词串。然后呢,每一个文档我都有很多很多Spot了,现在一个文档就是一个Spot的集合,两个文档是相似程度就是集合的Jaccard相似度。算法虽然简单,但是我想重点是两个比较有借鉴意义的工程上的性能考虑。

     1. Optimal Partition

     Sim(A,B) = | A B交集| / | A B 并集| <= min(A,B)/max(A,B) <= |A|/|B| say: |A|<|B|

好了,这是一个很好的枝剪条件,如果文档spot vector的个数比小于某个值(当然是,小 / 大),就可以完全不用求交,并了。Optimal Partition就是说,好啊,我把每一个文档的spot vector的长度都投影到相应的从小到大的bucket中,保证|d1|/|d2| >=r if |d1| < |d2| . 且不存在这样的反例。另一个保证是这个bucket是满足条件的最小的。有了这个partition,我们最多只用关心相邻的三个bucket了

   2. Inverted Index Pruning

   说,两个文档,如果能相似,起码有一个公共的spot。逆向索引说的就是把spot做为index,包含它的所有文档作为其value。

有了这两个工具,计算复杂度可以明显下降,因为它不会计算不能是duplication的文档。