IT虾米网

新闻内容去重算法simhash实践详解

flyfish 2018年07月04日 大数据 376 0

前言

    最近做了新闻去重算法的工作,mark下
    两个应用场景:1. 重复新闻整体检测、去重   2. 从非重复的新闻中寻找重复的句子,依次判断两篇新闻是否存在同一个话题的不同观点(多方观点提取)
     本人不负责爬虫,爬虫的同事只做了简单的新闻title重复的检测、去重。 我提供内容的检测算法

一 通用网页去重算法框架

      

二 simhash算法

      简单一查网页去重,就知道google的simhash算法。  来自于GoogleMoses Charikar发表的一篇论文“detecting near-duplicates for web crawling”中提出了simhash算法,专门用来解决亿万级别的网页的去重任务。
    

    simhash作为locality sensitive hash(局部敏感哈希)的一种

    流程

   simhash算法分为5个步骤:分词、hash、加权、合并、降维,具体过程如下所述:

  • 分词
    • 给定一段语句,进行分词,得到有效的特征向量,然后为每一个特征向量设置1-5等5个级别的权重(如果是给定一个文本,那么特征向量可以是文本中的词,其权重可以是这个词出现的次数)。例如给定一段语句:“CSDN博客结构之法算法之道的作者July”,分词后为:“CSDN 博客 结构 之 法 算法 之 道 的 作者 July”,然后为每个特征向量赋予权值:CSDN(4) 博客(5) 结构(3) 之(1) 法(2) 算法(3) 之(1) 道(2) 的(1) 作者(5) July(5),其中括号里的数字代表这个单词在整条语句中的重要程度,数字越大代表越重要。
  • hash
    • 通过hash函数计算各个特征向量的hash值,hash值为二进制数01组成的n-bit签名。比如“CSDN”的hash值Hash(CSDN)为100101,“博客”的hash值Hash(博客)为“101011”。就这样,字符串就变成了一系列数字。
  • 加权
    • 在hash值的基础上,给所有特征向量进行加权,即W = Hash * weight,且遇到1则hash值和权值正相乘,遇到0则hash值和权值负相乘。例如给“CSDN”的hash值“100101”加权得到:W(CSDN) = 100101 4 = 4 -4 -4 4 -4 4,给“博客”的hash值“101011”加权得到:W(博客)=101011 5 = 5 -5 5 -5 5 5,其余特征向量类似此般操作。
  • 合并
    • 将上述各个特征向量的加权结果累加,变成只有一个序列串。拿前两个特征向量举例,例如“CSDN”的“4 -4 -4 4 -4 4”和“博客”的“5 -5 5 -5 5 5”进行累加,得到“4+5 -4+-5 -4+5 4+-5 -4+5 4+5”,得到“9 -9 1 -1 1”。
  • 降维
    • 对于n-bit签名的累加结果,如果大于0则置1,否则置0,从而得到该语句的simhash值,最后我们便可以根据不同语句simhash的海明距离来判断它们的相似度。例如把上面计算出来的“9 -9 1 -1 1 9”降维(某位大于0记为1,小于0记为0),得到的01串为:“1 0 1 0 1 1”,从而形成它们的simhash签名。

      流程图:
                        
   
   
>>> bin(2305843056189898754) 
'0b10000000000000000000000000101011110000000000000000000000000010' 
>>> bin(2305843034715062278) 
'0b10000000000000000000000000010111110000000000000000000000000110' 
>>> 2305843056189898754 & 2305843034715062278 
2305843013240225794 
>>> bin(2305843013240225794) 
'0b10000000000000000000000000000011110000000000000000000000000010' 
>>> 所以2305843056189898754和2305843034715062278的海明距离为6

三 建立索引

       在处理新闻重复检测时,由于我们只取两天内的新闻做比较,数据量小,所以直接采用了遍历的方法。
       但实现多放观点的算法时需要查询以往的所有新闻,高效的搜索是必须的。

四 要点说明

       要点1. 我们采用了谷歌的索引策略,将64位分4段。最初按照顺序取16,16,16,16,但是发现第一个16位存在大
量相等的情况,第二个16位也存在不小的重复。所以调整了分段办法,如下:

    fir = hash_bits & 0b11000000000000000000000000111111110000000000000000000000001111 
    sec = hash_bits & 0b00111100000000000000001111000000001111000000000000000011110000 
    thi = hash_bits & 0b00000011110000000011110000000000000000111100000000111100000000 
    fou = hash_bits & 0b00000000001111111100000000000000000000000011111111000000000000
      实际应用中,因为使用了数据库的索引,为了可以进一步缩小范围,项目中还另外建立了4段:fir2, sec2, thi2, fou2,这四段使用不同的
取位方法。这样满足条件的句子必定满足:前四段至少一个相同并且后四段至少一个相同。 这样可以极大的缩小有效氛围。

      要点2. 在数据库冲存放了四段的字段,利用数据库的索引而不用自己建索引
      要点3. 涉及到句子的simhash,短文本simhash不是十分准确,测试效果来看,去除停用词、特殊词性的词后效果
明显提升。 可以参考http://www.cnblogs.com/zhengyun_ustc/archive/2012/06/12/sim.html
      要点4.  由索引找到hash值上相似的句子后,为了避免hash策略可能带来的冲突问题,可以直接使用cos距离或者直接
判断相同词比例来更精确的判断两个句子是否相等。 我采用了后一种方法。

       还可以自建hash索引http://www.lanceyan.com/tech/arch/simhash_hamming_distance_similarity2-html.html, 消耗内存
     

五 去重策略------后补充

       前面讲的主要是simhash算法,用于检测相同的文本。
       那重复的新闻如何选择丢掉哪一篇呢? 实际项目中,需要考虑的是新闻的评分机制,正在进行,初步选定LR来做,等项目
完成再做补充
发布评论

分享到:

IT虾米网

微信公众号号:IT虾米 (左侧二维码扫一扫)欢迎添加!

机器学习之特征归一化(normalization)详解
你是第一个吃螃蟹的人
发表评论

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。