2

我正在寻找一个 node.js / Javascript 模块，它将 minhash 算法应用于字符串或更大的文本，并为我返回该文本的“识别”或“特征”字节字符串或十六进制字符串。如果我将该算法应用于另一个相似的文本字符串，则哈希字符串也应该相似。这样的模块是否已经存在？

到目前为止，我正在检查的模块只能直接比较文本并直接计算与比较文本的某种 jaccard 相似度，但我想为每个文档存储某种哈希字符串，以便以后可以如果我有相似的文本，比较字符串的相似性......

本质上，我正在寻找的是这里的代码（Java）：在 Javascript 中： https ://github.com/codelibs/elasticsearch-minhash

例如，对于像：这样的字符串 "The quick brown fox jumps over the lazy dog"，"The quick brown fox jumps over the lazy d"它会为第一句话创建一个哈希，例如：

"KV5rsUfZpcZdVojpG8mHLA=="

对于第二个字符串，例如：

KV5rsSfZpcGdVojpG8mGLA==

两个哈希字符串差别不大......这就是minhash算法的重点，但是，我不知道如何创建类似的哈希字符串......到目前为止我发现的所有库，只直接比较2个文档和创建一个相似系数，但它们不会创建文档特征的哈希字符串...与所有算法的相似之处在于，它们为其单词标记数组（或带状疱疹）创建散列 crc32（或类似）散列值. 但我仍然不知道他们如何将这些哈希相互比较......

4

2 回答 2

1

需要 Douglas Duhaime 的 minhash 实现，但任何其他计算哈希值数组的实现都可以以相同的方式使用。

const str1 = "The quick brown fox jumps over the lazy dog";
const str2 = "The quick brown fox jumps over the lazy d";
console.log(str1);
console.log(str2);
var s1 = str1.split(' ');
var s2 = str2.split(' ');

// create a hash for each set of words to compare
// default numPerm is 128 but that gives very long hash
// below 8, almost similar string will give exactly the same hash
var m1 = new Minhash({numPerm: 8});
var m2 = new Minhash({numPerm: 8});

// update each hash
s1.map(function(w) { m1.update(w) });
s2.map(function(w) { m2.update(w) });


// estimate the jaccard similarity between two minhashes
console.log('jaccard similarity:', m1.jaccard(m2));

// Now to convert hashvalues to a string we use a kind of base64
// encode but since hasvalues is an array of 32bits integer we
// have to explode it into a array of 8bits integers first

// for a given int32 returns 4 bytes
function int32ToBytes(num) {
    // the hexadecimal representation of the largest 32bits unsigned integer is 0xFFFFFFFF
    // the hexadecimal representation of the largest unsigned integer (8bits === a byte) is 0xFF
    // so it is possible to think a 32bits uint (unsigned integer) as the concatenation of 4 8bits uint.
    // the bitwise & operator is the bitwise AND
    // its table of truth is 0 & 0 = 0, 0 & 1 = 0, 1 & 0 = 0 and 1 & 1 = 1
    // for instance 8 & 1 <=> 0b111 & 0b001 <=> 0b001 <=> 1

    // the same is possible with hex representation:
    // 65535 & 255 <=> 0xFFFF & 0x00FF <=> 0x0FF <=> 255
    // 65535 & 65280 <=> 0xFFFF & 0xFF00 <=> 0xFF00 <=> 65280
    // 255 + 65535 = 65535

    // now about the bitwise >> shift operator
    // a >> n shift the number a by n bits to the right
    // in hex FF is 8bits so `0xFF00 >> 8 = 0xFF`
    // this operation is reversible `0xFF << 8 = 0xFF00`

    // 0xFFFF needs 16 bits to be represented, as 0xFF00
    // but 0xFF only needs 8 bits
    // so its possible to split a 16 bits integer into two 8 bits integer this way:
    // int16 = (int16 & 0xFF00) >> 8 + (int16 & 0x00FF) >> 0
    // no information was lost because we're able to do the reverse operation

    // the same principle is used below to encode a 32 bits integer into 4 bytes (8bits integers)
   // max uint32 = 0xFFFFFFFF =
   // 0xFF << 24 + 0xFF << 16 + 0xFF << 8 + 0xFF << 0
    

  
    const arr = [
        (num & 0xff000000) >> 24,
        (num & 0x00ff0000) >> 16,
        (num & 0x0000ff00) >> 8,
        (num & 0x000000ff)
    ];
    return arr;
}

// tolerant base64 encode of 4 bytes
function Uint8ToString(u8a){
  var CHUNK_SZ = 0x8000;
  var c = [];
  for (var i=0; i < u8a.length; i+=CHUNK_SZ) {
    c.push(String.fromCharCode.apply(null, u8a.subarray(i, i+CHUNK_SZ)));
  }
  return c.join("");
}

// tolerant base64 encode of int32 array
function base64EncodeInt32Array(intArray) {
    let str = '';
    intArray.forEach((i) => {
        var u8 = new Uint8Array(int32ToBytes(i));
        var b64encoded = btoa(Uint8ToString(u8));
        str += b64encoded;
    });
    
    return str;
    
}

// replace non significant '==' to shorten hash
console.log(base64EncodeInt32Array(m1.hashvalues).replace(/==/g, ''));
console.log(base64EncodeInt32Array(m2.hashvalues).replace(/==/g, ''));
<script src='https://rawgit.com/duhaime/minhash/master/minhash.min.js'></script>

于 2019-03-20T14:55:24.883 回答
1

如果您只打算一次比较两个文档（文档 A 与文档 B 有多相似？），那么将每个文档的 minhashes 存储为连接字符串就可以了。您可以通过将每个文档的字符串拆分回它们的组成 minhashes 并计算共享的 minhashes 数量（相同）来比较这两个文档。

但是，如果您想问“还有哪些其他文档与文档 A 相似”，那么这是一个糟糕的解决方案，因为您必须将文档 A 与您之前看到的所有其他文档单独进行比较。更糟糕的是，如果您想在一个语料库中找到所有文档到文档的相似性，您必须将每个文档与每个其他文档进行比较。在一组 1000 个文档中，这将需要 499,500 次比较。拥有一百万个文档，就有近 5000 亿次比较。这是一个 O(n 2 ) 问题。

相反，执行此操作的适当方法是保留哈希字典，将 minhashes 映射到文档 ID。每次遇到新文档时，都会生成它的 minhashes，然后在哈希字典中查找共享一个或多个这些哈希的所有其他文档。文档与传入文档共享的哈希值越多，其估计的 jaccard 相似度就越高。最后，将新文档的所有 minhashes 添加到哈希字典中，以便将来搜索。

您可能只对至少共享一半 minhashes 的相似性感兴趣（估计 50% 的 jaccard 相似性），但仍然需要大量计算才能找到这些，因为可能有数百万个文档共享传入文档至少有一个 minhash，并且您需要计算每个共享哈希的数量。局部敏感散列可以大大减少命中次数（以及所需的存储）。

于 2019-07-09T03:04:40.157 回答