彻底弄懂LSH之simHash算法

　　马克·吐温曾经说过，所谓经典小说，就是指很多人希望读过，但很少人真正花时间去读的小说。这种说法同样适用于“经典”的计算机书籍。

　　最近一直在看LSH，不过由于matlab基础比较差，一直没搞懂。最近看的论文里几乎都是用simHash来实现LSH，从而进行ANN。

　　有空看看基于滑动窗口的论文相似性检测。

　　如何用matlab画出一个数列（函数）的收敛过程（菱形收敛、圆形收敛）？

　　学完分布式了，我打算自己学WordPress，建立自己的独立博客，放在云平台或者服务器空间，然后学着分析流量和负载均衡这一类，这也算是数据挖掘了吧。

　　我的学习目标：像吴军博士一样深入浅出地讲解出来一个知识点，这需要很深厚的积累，我以前写的《彻底弄懂最短路径问题》，自己感觉挺不错的，网友反馈也不错；虽然说实践和理论相辅相成，笔者个人觉得鲜血little理论，再搞many实践，最后在学much理论，进而继续指导实践，螺旋递增式学习。

一.基础知识

1.1 Java位运算

　　位运算只适合整数哦。。。因为浮点的存储方案决定不能位运算，如果非要位运算，就需要Float.floatToIntBits，运算完，再通过Float.intBitsToFloat转化回去。(java默认的float,double的hashcode其实就是对应的floatToIntBits的int值)

1.2 Java中浮点数比较大小

　　C++用fabs函数，Java中用Double.doubleToLongBits函数，然后直接比较大小，内部原理不做探讨。

1.3 StringTokenzier

　　Java中substring方法可以分解字符串，返回的是原字符串的一个子字符串。如果要讲一个字符串分解为一个一个的单词或者标记，StringTokenizer可以帮你。

　　StringTokenizer确实更快些，至于为什么jdk里不推荐使用了，还要再研究（现在是split结合正则表达式）。
　　测试方法：用StringBuilder的append方法，构造100W字符串，然后分别分别测试并算时间就ok了。

1.4 偶然所得

　　final可以不再定义时候初始化，好像可以再构造方法里初始化。

二.simHash算法简介

　　以前写的一个介绍simHash的。

　　1、分词，把需要判断文本分词形成这个文章的特征单词。最后形成去掉噪音词的单词序列并为每个词加上权重，我们假设权重分为5个级别（1~5）。比如：“ 美国“51区”雇员称内部有9架飞碟，曾看见灰色外星人 ” ==> 分词后为 “ 美国（4） 51区（5） 雇员（3） 称（1） 内部（2） 有（1） 9架（3） 飞碟（5） 曾（1） 看见（3） 灰色（4） 外星人（5）”，括号里是代表单词在整个句子里重要程度，数字越大越重要。

　　2、hash，通过hash算法把每个词变成hash值，比如“美国”通过hash算法计算为 100101,“51区”通过hash算法计算为 101011。这样我们的字符串就变成了一串串数字，还记得文章开头说过的吗，要把文章变为数字计算才能提高相似度计算性能，现在是降维过程进行时。

　　3、加权，通过 2步骤的hash生成结果，需要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。比如 “美国”的 “4 -4 -4 4 -4 4”，“51区”的 “ 5 -5 5 -5 5 5”， 把每一位进行累加， “4+5 -4+-5 -4+5 4+-5 -4+5 4+5” ==》 “9 -9 1 -1 1 9”。这里作为示例只算了两个单词的，真实计算需要把所有单词的序列串累加。

　　5、降维，把4步算出来的 “9 -9 1 -1 1 9” 变成 0 1 串，形成我们最终的simhash签名。 如果每一位大于0 记为 1，小于0 记为 0。最后算出结果为：“1 0 1 0 1 1”。

三.算法几何意义及原理

3.1 几何意义

　　这个算法的几何意义非常明了。它首先将每一个特征映射为f维空间的一个向量，这个映射规则具体是怎样并不重要，只要对很多不同的特征来说，它们对所对应的向量是均匀随机分布的，并且对相同的特征来说对应的向量是唯一的就行。比如一个特征的4位hash签名的二进制表示为1010，那么这个特征对应的 4维向量就是(1, -1, 1, -1)T，即hash签名的某一位为1，映射到的向量的对应位就为1，否则为-1。然后，将一个文档中所包含的各个特征对应的向量加权求和，加权的系数等于该特征的权重。得到的和向量即表征了这个文档，我们可以用向量之间的夹角来衡量对应文档之间的相似度。最后，为了得到一个f位的签名，需要进一步将其压缩，如果和向量的某一维大于0，则最终签名的对应位为1，否则为0。这样的压缩相当于只留下了和向量所在的象限这个信息，而64位的签名可以表示多达264个象限，因此只保存所在象限的信息也足够表征一个文档了。

3.2 算法原理描述性证明

　　明确了算法了几何意义，使这个算法直观上看来是合理的。但是，为何最终得到的签名相近的程度，可以衡量原始文档的相似程度呢？这需要一个清晰的思路和证明。在simhash的发明人Charikar的论文中并没有给出具体的simhash算法和证明，以下列出我自己得出的证明思路。
　　Simhash是由随机超平面hash算法演变而来的，随机超平面hash算法非常简单，对于一个n维向量v，要得到一个f位的签名(f<<n)，算法如下：
　　1，随机产生f个n维的向量r1,…rf；
　　2，对每一个向量ri，如果v与ri的点积大于0，则最终签名的第i位为1，否则为0.
　　这个算法相当于随机产生了f个n维超平面，每个超平面将向量v所在的空间一分为二，v在这个超平面上方则得到一个1，否则得到一个0，然后将得到的 f个0或1组合起来成为一个f维的签名。如果两个向量u, v的夹角为θ，则一个随机超平面将它们分开的概率为θ/π，因此u, v的签名的对应位不同的概率等于θ/π。所以，我们可以用两个向量的签名的不同的对应位的数量，即汉明距离，来衡量这两个向量的差异程度。
　　Simhash算法与随机超平面hash是怎么联系起来的呢？在simhash算法中，并没有直接产生用于分割空间的随机向量，而是间接产生的：第 k个特征的hash签名的第i位拿出来，如果为0，则改为-1，如果为1则不变，作为第i个随机向量的第k维。由于hash签名是f位的，因此这样能产生 f个随机向量，对应f个随机超平面。下面举个例子：
　　假设用5个特征w1,…,w5来表示所有文档，现要得到任意文档的一个3维签名。假设这5个特征对应的3维向量分别为：
　　h(w1) = (1, -1, 1)T
　　h(w2) = (-1, 1, 1)T
　　h(w3) = (1, -1, -1)T
　　h(w4) = (-1, -1, 1)T
　　h(w5) = (1, 1, -1)T
　　按simhash算法，要得到一个文档向量d=(w1=1, w2=2, w3=0, w4=3, w5=0) T的签名，
先要计算向量m = 1*h(w1) + 2*h(w2) + 0*h(w3) + 3*h(w4) + 0*h(w5) = (-4, -2, 6) T，然后根据simhash算法的步骤3，得到最终的签名s=001。上面的计算步骤其实相当于，先得到3个5维的向量，第1个向量由h(w1),…,h(w5)的第1维组成：r1=(1,-1,1,-1,1) T；第2个5维向量由h(w1),…,h(w5)的第2维组成：r2=(-1,1,-1,-1,1) T；同理，第3个5维向量为：r3=(1,1,-1,1,-1) T.按随机超平面算法的步骤2，分别求向量d与r1,r2,r3的点积:

　　d T r1=-4 < 0，所以s1=0;
　　d T r2=-2 < 0，所以s2=0;
　　d T r3=6 > 0，所以s3=1.
　　故最终的签名s=001，与simhash算法产生的结果是一致的。
　　从上面的计算过程可以看出，simhash算法其实与随机超平面hash算法是相同的，simhash算法得到的两个签名的汉明距离，可以用来衡量原始向量的夹角。这其实是一种降维技术，将高维的向量用较低维度的签名来表征。衡量两个内容相似度，需要计算汉明距离，这对给定签名查找相似内容的应用来说带来了一些计算上的困难；我想，是否存在更为理想的simhash算法，原始内容的差异度，可以直接由签名值的代数差来表示呢？

　　参考http://blog.sina.com.cn/s/blog_72995dcc010145ti.html

四.算法与网页去重

　　例如，文本的特征可以选取分词结果，而权重可以用df来近似。
　　Simhash具有两个“冲突的性质”：
　　1. 它是一个hash方法
　　2. 相似的文本具有相似的hash值，如果两个文本的simhash越接近，也就是汉明距离越小，文本就越相似。
　　因此海量文本中查重的任务转换位如何在海量simhash中快速确定是否存在汉明距离小的指纹。也就是：在n个f-bit的指纹中，查询汉明距离小于k的指纹。
在文章的实验中，simhash采用64位的哈希函数。在80亿网页规模下汉明距离=3刚好合适。
因此任务的f-bit=64 , k=3 , n= 8*10^11
　　任务清晰，首先看一下两种很直观的方法：
　　1. 枚举出所有汉明距离小于3的simhash指纹，对每个指纹在80亿排序指纹中查询。（这种方法需要进行C（64，3）=41664词的simhash指纹，再为每个进行一次查询）
　　2. 所有接近的指纹排序到一起，这至多有41664排序可能，需要庞大的空间。提出的方法介于两者之间，合理的空间和时间的折中。
　　假设我们有一个已经排序的容量为2d，f-bit指纹集。看每个指纹的高d位。该高低位具有以下性质：尽管有很多的2d位组合存在，但高d位中有只有少量重复的。
　　现在找一个接近于d的数字d’，由于整个表是排好序的，所以一趟搜索就能找出高d’位与目标指纹F相同的指纹集合f’。因为d’和d很接近，所以找出的集合f’也不会很大。
　　最后在集合f’中查找 和F之间海明距离为k的指纹也就很快了。
　　总的思想：先要把检索的集合缩小，然后在小集合中检索f-d’位的海明距离
按照例子，80亿网页 有2^34 个，那么理论上34位就能表示完80亿不重复的指纹。我们假设最前的34位的表示完了80亿指纹，假设指纹在前30位是一样的，那么后面4位还可以表示24个， 只需要逐一比较这16个指纹是否于待测指纹汉明距离小于3。
　　假设：对任意34位中的30位都可以这么做。
　　因此在一次完整的查找中，限定前q位精确匹配（假设这些指纹已经是q位有序的，可以采用二分查找，如果指纹量非常大，且分布均匀，甚至可以采用内插搜索），之后的2d-q个指纹剩下64-q位需要比较汉明距离小于3。
　　于是问题就转变为如何切割64位的q。
　　将64位平分成若干份，例如4份ABCD，每份16位。
　　假设这些指纹已经按A部分排序好了，我们先按A的16位精确匹配到一个区间，这个区间的后BCD位检查汉明距离是否小于3。
　　同样的假设，其次我们按B的16位精确匹配到另一个区间，这个区间的所有指纹需要在ACD位上比较汉明距离是否小于3。
　　同理还有C和D，所以这里我们需要将全部的指纹T复制4份， T1 T2 T3 T4， T1按A排序，T2按B排序… 4份可以并行进行查询，最后把结果合并。这样即使最坏的情况：3个位分别落在其中3个区域ABC,ACD,BCD,ABD…都不会被漏掉。

　　只精确匹配16位，还需要逐一比较的指纹量依然庞大，可能达到2d-16个，我们也可以精确匹配更多的。
　　例如：将64位平分成4份ABCD，每份16位，在BCD的48位上，我们再分成4份，WXZY，每份12位， 汉明距离的3位可以散落在任意三块，那么A与WXZY任意一份合起来做精确的28位…剩下3份用来检查汉明距离。 同理B，C，D也可以这样，那么T需要复制16次，ABCD与WXYZ的组合做精确匹配，每次精确匹配后还需要逐一比较的个数降低到2d-28个。不同的组合方式也就是时间和空间上的权衡。
　　最坏情况是其中3份可能有1位汉明距离差异为1。
　　算法的描述如下：
　　1）先复制原表T为Tt份：T1,T2,….Tt
　　2）每个Ti都关联一个pi和一个πi，其中pi是一个整数, πi是一个置换函数，负责把pi个bit位换到高位上。
　　3）应用置换函数πi到相应的Ti表上，然后对Ti进行排序
　　4）然后对每一个Ti和要匹配的指纹F、海明距离k做如下运算：
　　　　a) 然后使用F’的高pi位检索，找出Ti中高pi位相同的集合
　　　　b) 在检索出的集合中比较f-pi位，找出海明距离小于等于k的指纹
　　5）最后合并所有Ti中检索出的结果
　　由于文本已经压缩成8个字节了，因此其实Simhash近似查重精度并不高：

　　笔者注：这个方法是第二次看了，还是不甚理解........讲解不够直观明了..........

五.算法Java实现

　　想了很久，觉得直接放代码是个不好的习惯，容易依赖别人，所以笔者放在CSDN上，不过只需要1分。

六.结束语及参考文献

6.1 结束语

　　熬夜感觉并不好，如何才能戒掉这个坏习惯。

　　谷歌真叼......

　　笔者会在下一篇博文里探讨simHash和VSM与网页去重。

　　探讨信息检索与跳跃表。

　　探讨二分图最大权匹配（这个应用比较广吧，感觉可以用来精确投放广告，灵感来自计算机121教师和课程互选）。

6.2  部分参考文献

　　http://blog.sina.com.cn/s/blog_72995dcc010145ti.html

　　http://gemantic.iteye.com/blog/1701101

　　http://blog.csdn.net/lgnlgn/article/details/6008498

　　http://blog.csdn.net/meijia_tts/article/details/7928579

　　论文Detecting near-duplicates for web crawling.