python實現Simhash處理大規模文字相似度

simhash–顧名思義，通過hash值比較相似度，通過兩個字串得出來的hash值，進行異或操作，然後得到相差的個數，數字越大則差異越大。

1、用分詞工具（jieba、nlpir、哈工大分詞器等）對字串進行分詞、去除停用詞，英文除外；

seg = jieba.cut(
str)

keyword = jieba.analyse.extract_tags(
'|'.join(seg)
, topk=
20, withweight=
true
, allowpos=()
)

for i in feature:
if i ==
'1':
else
:-weight)

list1 = np.
sum(np.array(keylist)
, axis=
0)

1、用hash得出來的hash值兩兩進行比較；

t1 =
'0b'
+ self.sim1
t2 =
'0b'
+ self.sim2
n =int
(t1,2)
^int
(t2,
2)

2、通過異或比較，得處simhash值。

i =
0while n:
n &=(n -1)
i +=
1return i

如何使用simhash處理大規模文字資料，原理很簡單，以上步驟我們可以計算兩個字串之間的相似度，引申這種思想，對文字中的資料進行處理。

其中使用到了排序的思路，我們對文字中的資料進行兩兩比較，那麼本身不用比，本身和後面字串比較過的也不必比較，那就是乙個對角矩陣，即i與i+1個元素對比。

for i in
range
(len
(list)-
1):for y in
range
(i+1
,len
(list
))

以上為在處理大規模文字相似度時所用到的simhash思想。

# -*- coding: utf-8 -*-
# !/usr/bin/env python
'''function：python實現大規模simhash對比
time：2020-06-19 14:32:10
author：為援不可圖
'''import jieba
import jieba.analyse
import numpy as np
# 獲取字串對應的hash值
class
simhashstr()
:def
__init__
(self,
str)
:        self.
str=
str# 得到輸入字串的hash值
defget_hash
(self)
:# 結巴分詞
seg = jieba.cut(self.
str)
keyword = jieba.analyse.extract_tags(
'|'.join(seg)
, topk=
20, withweight=
true
, allowpos=()
)        keylist =
# 獲取每個詞的權重
for feature, weight in keyword:
weight =
int(weight *20)
feature = self.string_hash(feature)
temp =
for i in feature:
if i ==
'1':
else
:-weight)
list1 = np.
sum(np.array(keylist)
, axis=0)
# 獲取simhash值
simhash =
''for i in list1:
# 對特徵標準化表示
if i >0:
simhash = simhash +
'1'else
:                simhash = simhash +
'0'return simhash
defstring_hash
(self, feature)
:if feature =="":
return
0else
:# 將字元轉為二進位制，並向左移動7位
x =ord(feature[0]
)<<
7            m =
1000003
mask =2**
128-
1for c in feature:
x =((x * m)
^ord
(c))
& mask
x ^=len
(feature)
if x ==-1
:                x =-2
x =bin(x)
.replace(
'0b',''
).zfill(64)
[-64:
]return
str(x)
# 比較兩個字串的相似度
class
simliary()
:def
__init__
(self, sim1, sim2)
:        self.sim1 = sim1
self.sim2 = sim2
# 比較兩個simhash值的相似度
defcom_sim
(self)
:# 轉為二進位制結構
t1 =
'0b'
+ self.sim1
t2 =
'0b'
+ self.sim2
n =int(t1,2)
^int
(t2,2)
# 相當於對每一位進行異或操作
i =0while n:
n &=(n -1)
i +=
1return i
#比較大量文字中資料之間的相似度
class
com_file_data_sim()
:def
__init__
(self, path)
:        self.path = path
# 獲取檔案中的資料列表
defget_file_data
(self)
:        content_txt =
with
open
(self.path,
'r', encoding=
'utf-8'
)as f:
lines = f.readlines(
)for line in lines:
content = line.strip(
)return content_txt
# 對列表中的資料進行hash值比對
defcom_data_sim
(self)
:        content_data = self.get_file_data(
)for i in
range
(len
(content_data)-1
):for y in
range
(i +1,
len(content_data)):
str1 = content_data[i]
str2 = content_data[y]
sim1 = simhashstr(str1)
.get_hash(
)                sim2 = simhashstr(str2)
.get_hash(
)                sim = simliary(sim1, sim2)
.com_sim(
)print
(str1 +
' '+ str2 +
' '+
'\n'
+'simhash值為：'
+str
(sim)
)if __name__ ==
'__main__'
:    com_file_data_sim(
'com.txt'
).com_data_sim(
)

本程式參考自並在原基礎上進行了說明和改善。

simHash介紹及python實現

simhash演算法是googlemoses charikear於2007年發布的一篇 detecting near duplicates for web crawling 中提出的，專門用來解決億萬級別的網頁去重任務。simhash是區域性敏感雜湊 locality sensitve hash 的...

SIMhash演算法原理

第一次聽說google的simhash演算法 1 時，我感到很神奇。傳統的hash演算法只負責將原始內容盡量均勻隨機地對映為乙個簽名值，原理上相當於偽隨機數產生演算法。傳統hash演算法產生的兩個簽名，如果相等，說明原始內容在一定概率下是相等的如果不相等，除了說明原始內容不相等外，不再提供任何資訊...

python實現Simhash處理大規模文字相似度

simHash介紹及python實現

SIMhash演算法原理

simhash演算法的原理

相關推薦