如何比较文件与Simhash算法的相似性？

Question

我目前正在创建一个程序，可以在一组文本文档（+5000个文档）中计算近似重复的分数。我正在使用Simhash生成文档的uniq足迹（感谢这个github repo）

我的数据是：

data = {
    1: u'Im testing simhash algorithm.',
    2: u'test of simhash algorithm',
    3: u'This is simhash test.',
}

这给了我这样的3个哈希：

00100110101110100011111000100010010101011001000001110000111001011100110101001101111010100010001011001011000110000100110101100110

00001001110010000000011000001000110010001010000101010000001100000100100011100100110010100000010000000110001001010110000010000100

10001110101100000100101010000010010001011010001000000000101000101100001100100000110011000000011001000000000110000000100110000000

而现在，如何比较这三个哈希？我知道我必须将它们分成块但没有确切的方法吗？

我想要做的是输出所有重复文档（> 70％）及其ID和重复文档的ID。

有人可以帮忙吗？

Answer 1

在回答您的问题之前，请务必记住：

1. Simhash非常有用，因为它可以检测到接近重复的内容。这意味着附近的重复项将以相同的哈希结束。
2. 对于完全重复，您可以简单地使用任何单向，一致的散列机制（例如md5）
3. 您在此处粘贴的示例太小，并且考虑到它们的大小，它们的差异很大。该算法适用于处理大型Web文档而非小句子。

现在，我已回复你关于Github问题的问题，你提出了here。

作为参考，这里有一些示例代码，您可以使用它们在散列后打印最终的近似重复文档。

# assuming that you have a dictionary with document id as the key and the document as the value: 
# documents = { doc_id: doc } you can do:

from simhash import simhash

def split_hash(str, num):
    return [ str[start:start+num] for start in range(0, len(str), num) ]

hashes = {}
for doc_id, doc in documents.items():
    hash = simhash(doc)

    # you can either use the whole hash for higher precision or split into chunks for higher recall
    hash_chunks = split_hash(hash, 4)

    for chunk in hash_chunks:
        if chunk not in hashes:
            hashes[chunk] = []
        hashes[chunk].append(doc_id)

# now you can print the duplicate documents:
for hash, doc_list in hashes:
    if doc_list > 1:
        print("Duplicates documents: ", doc_list)

如果不清楚，请告诉我。