創(chuàng)新互聯(lián)專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于網(wǎng)站設(shè)計(jì)制作、成都做網(wǎng)站、天寧網(wǎng)絡(luò)推廣、重慶小程序開(kāi)發(fā)公司、天寧網(wǎng)絡(luò)營(yíng)銷、天寧企業(yè)策劃、天寧品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營(yíng)等，從售前售中售后，我們都將竭誠(chéng)為您服務(wù)，您的肯定，是我們最大的嘉獎(jiǎng)；創(chuàng)新互聯(lián)為所有大學(xué)生創(chuàng)業(yè)者提供天寧建站搭建服務(wù)，24小時(shí)服務(wù)熱線：13518219792，官方網(wǎng)址：www.cdcxhl.com

1、simhash簡(jiǎn)介

simHash算法是GoogleMoses Charikear于2007年發(fā)布的一篇論文《Detecting Near-duplicates for web crawling》中提出的， 專門用來(lái)解決億萬(wàn)級(jí)別的網(wǎng)頁(yè)去重任務(wù)。

simHash是局部敏感哈希（locality sensitve hash）的一種，其主要思想是降維，將高維的特征向量映射成低維的特征向量，再通過(guò)比較兩個(gè)特征向量的漢明距離（Hamming Distance） 來(lái)確定文章之間的相似性。

什么是局部敏感呢？假設(shè)A，B具有一定的相似性，在hash之后，仍能保持這種相似性，就稱之為局部敏感hash

漢明距離：

Hamming Distance，又稱漢明距離，在信息論中，等長(zhǎng)的兩個(gè)字符串之間的漢明距離就是兩個(gè)字符串對(duì)應(yīng)位置的不同字符的個(gè)數(shù)。即將一個(gè)字符串變換成另外一個(gè)字符串所需要替換的字符個(gè)數(shù)，可使用異或操作。

例如： 1011與1001之間的漢明距離是1。

相關(guān)推薦：《python基礎(chǔ)教程》

2、simHash具體流程

simHash算法總共分為5個(gè)流程： 分詞、has、加權(quán)、合并、降維。

分詞

對(duì)待處理文檔進(jìn)行中文分詞，得到有效的特征及其權(quán)重?？梢允褂肨F-IDF方法獲取一篇文章權(quán)重最高的前topK個(gè)詞（feature）和權(quán)重（weight）。即可使用jieba.analyse.extract_tags()來(lái)實(shí)現(xiàn)

hash

對(duì)獲取的詞（feature），進(jìn)行普通的哈希操作，計(jì)算hash值，這樣就得到一個(gè)長(zhǎng)度為n位的二進(jìn)制，得到（hash：weight）的集合。

加權(quán)

在獲取的hash值的基礎(chǔ)上，根據(jù)對(duì)應(yīng)的weight值進(jìn)行加權(quán)，即W=hash*weight。即hash為1則和weight正相乘，為0則和weight負(fù)相乘。例如一個(gè)詞經(jīng)過(guò)hash后得到（010111：5）經(jīng)過(guò)步驟（3）之后可以得到列表[-5,5,-5,5,5,5]。

合并

將上述得到的各個(gè)向量的加權(quán)結(jié)果進(jìn)行求和，變成只有一個(gè)序列串。如[-5,5,-5,5,5,5]、[-3,-3,-3,3,-3,3]、[1,-1,-1,1,1,1]進(jìn)行列向累加得到[-7，1，-9，9，3，9]，這樣，我們對(duì)一個(gè)文檔得到，一個(gè)長(zhǎng)度為64的列表。

降維

對(duì)于得到的n-bit簽名的累加結(jié)果的每個(gè)值進(jìn)行判斷，大于0則置為1， 否則置為0，從而得到該語(yǔ)句的simhash值。例如，[-7，1，-9，9，3，9]得到 010111，這樣，我們就得到一個(gè)文檔的 simhash值。

最后根據(jù)不同語(yǔ)句的simhash值的漢明距離來(lái)判斷相似度。

根據(jù)經(jīng)驗(yàn)值，對(duì)64位的 SimHash值，海明距離在3以內(nèi)的可認(rèn)為相似度比較高。

3、Python實(shí)現(xiàn)simHash

使用Python實(shí)現(xiàn)simHash算法，具體如下：

# -*- coding:utf-8 -*-
import jieba
import jieba.analyse
import numpy as np
class SimHash(object):
    def simHash(self, content):
        seg = jieba.cut(content)
        # jieba.analyse.set_stop_words('stopword.txt')
        # jieba基于TF-IDF提取關(guān)鍵詞
        keyWords = jieba.analyse.extract_tags("|".join(seg), topK=10, withWeight=True)
        keyList = []
        for feature, weight in keyWords:
            print('weight: {}'.format(weight))
            # weight = math.ceil(weight)
            weight = int(weight)
            binstr = self.string_hash(feature)
            temp=[]
            for c in binstr:
                if (c == '1'):
                    temp.append(weight)
                else:
                    temp.append(-weight)
            keyList.append(temp)
        listSum = np.sum(np.array(keyList), axis = 0)
        if (keyList == []):
            return '00'
        simhash = ''
        for i in listSum:
            if (i>0):
                simhash = simhash + '1'
            else:
                simhash = simhash + '0'
        return simhash
    def string_hash(self, source):
        if source == "":
            return 0
        else:
            x = ord(source[0]) << 7
            m = 1000003
            mask = 2**128 - 1
            for c in source:
                x = ((x*m)^ord(c)) & mask
            x ^= len(source)
            if x == -1:
                x = -2
            x = bin(x).replace('0b', '').zfill(64)[-64:]
            # print('strint_hash: %s, %s'%(source, x))
            return str(x)
    def getDistance(self, hashstr1, hashstr2):
        '''
            計(jì)算兩個(gè)simhash的漢明距離
        '''
        length = 0
        for index, char in enumerate(hashstr1):
            if char == hashstr2[index]:
                continue
            else:
                length += 1
        return length
if __name__ == '__main__':
    simhash = SimHash()
    s1 = simhash.simHash('我想洗照片')
    s2 = simhash.simHash('可以洗一張照片嗎')
    dis = simhash.getDistance(s1, s2)
    print('dis: {}'.format(dis))

對(duì)于短小的文本，計(jì)算相似度并不十分準(zhǔn)確，更適用于較長(zhǎng)的文本。

文章名稱：創(chuàng)新互聯(lián)Python教程：python中simhash包怎么用
文章位置：http://uogjgqi.cn/article/cceoeop.html