simhash海量文本去重的工程化

忘是亡心i 2021-12-05 04:07 292阅读 0赞

[https://yuerblog.cc/2018/05/30/simhash-text-unique-arch/][https_yuerblog.cc_2018_05_30_simhash-text-unique-arch]

simhash算法是google发明的，专门用于海量文本去重的需求，所以在这里记录一下simhash工程化落地问题。

下面我说的都是工程化落地步骤，不仅仅是理论。

# 背景 #

互联网上，一篇文章被抄袭来抄袭去，转载来转载去。

被抄袭的文章一般不改，或者少量改动就发表了，所以判重并不是等于的关系，而是相似判断，这个判别的算法就是simhash。

# simhash计算 #

给定一篇文章内容，利用simhash算法可以计算出一个哈希值（64位整形）。

判别两篇文章是相似的方法，就是两个simhash值的距离<=3，这里距离计算采用汉明距离，也就是2个simhash做一下异或运算，数一下比特位=1的有N位，那么距离就是N。

现在问题就是，如何计算文本的simhash？

![simhash.jpg][]

## 分词+权重 ##

首先需要将文章作分词，得到若干个（词组，权重）。

分词我们知道很多库都可以实现，最常见的就是[结巴分词][Link 1]。权重是怎么得来的呢？

权重一般用TF/IDF算法，TF表示词组在本文章内的频次比例，出现越多则对这篇文章来说越重要，文章分词后TF可以立马计算出来。

IDF是词组在所有文章中的出现比例，出现越多说明词组对文章的区分度越低越不重要，但是IDF因为需要基于所有文章统计，所以一般是离线去批量计算出一个IDF字典。

**结巴分词**支持加载IDF词典并且提供了一个默认的词典，它包含了大量的词组以及基于海量文本统计出来的IDF词频，基本可以拿来即用，除非你想自己去挖掘这样一个字典。如果文章产生的分词在IDF字典里不存在，那么会采用IDF字典的中位数作为默认IDF，所谓中庸之道。

所以呢，我建议用结巴分词做一个分词服务，产生文章的（分词，权重），作为simhash计算的输入。

## TOP N词组参与计算 ##

文章分词产生的词组太多，一般我们取TF/IDF最大的N个，这个N大家看心情定。

对于每个词组，套用一个哈希算法（比如times33，murmurhash…）把词组转换成一个64位的整形，对应的二进制就是01010101000…这样的。

接下来，遍历词组哈希值的64比特，若对应位置是0则记为-权重，是1就是+权重，可以得到一个宽度64的向量：\[-权重，+权重，-权重，+权重…\]。

然后将TOP N词组的向量做加法，得到一个最终的宽64的向量。

## 生成simhash ##

接下来，遍历这个宽度64的向量，若对应位置<0则记录为0，>0则记录为1，从而又变成了一个64比特的整形，这个整形就是文章的simhash。

# 海量simhash查询 #

## 抽屉原理 ##

之前说过，判定2篇文章相似的规则，就是2个simhash的汉明距离<=3。

查询的复杂性在于：已有100亿个文章的simhash，给定一个新的simhash，希望判断是否与已有的simhash相似。

我们只能遍历100亿个simhash，分别做异或运算，看看汉明距离是否<=3，这个性能是没法接受的。

优化的方法就是”抽屉原理”，因为2个simhash相似的标准是<=3比特的差异，所以如果我们把64比特的simhash切成4段，每一段16比特，那么不同的3比特最多散落在3段中，**至少有1段**是完全相同的。

同理，如果我们把simhash切成5段，分别长度 13bit、13bit、13bit、13bit、12bit，因为2个simhash最多有3比特的差异，那么2个simhash**至少有2段**是完全相同的。

## 建立索引 ##

对于一个simhash，我们暂时决定将其切成4段，称为a.b.c.d，每一段16比特，分别是：a=0000000000000000,b=0000000011111111,c=1111111100000000,d=111111111111111。

因为抽屉原理的存在，所以我们可以将simhash的每一段作为key，将simhash自身作为value追加索引到key下。

假设用redis做为存储，那么上述simhash在redis里会存成这样：

key：a=0000000000000000 value（set结构）：\{000000000000000000000000111111111111111100000000111111111111111\}

key：b=0000000011111111 value（set结构）：

\{000000000000000000000000111111111111111100000000111111111111111\}

key：c=1111111100000000 value（set结构）：

\{000000000000000000000000111111111111111100000000111111111111111\}

key：d=111111111111111 value（set结构）：

\{000000000000000000000000111111111111111100000000111111111111111\}

也就是一个simhash会按不同的段分别索引4次。

## 判重 ##

假设有一个新的simhash希望判重，它的simhash值是：

a=0000000000000000,b=000000001111110,c=1111111100000001,d=111111111111110

它和此前索引的simhash在3段中一共有3比特的差异，符合重复的条件。

那么在查询时，我们对上述simhash做4段切割，然后做先后4次查询：

用a=0000000000000000 找到了set集合，遍历集合里的每个simhash做异或运算，发现了汉明距离<=3的重复simhash。

用b=000000001111110 没找到set集合。

用c=1111111100000001 没找到set集合。

用d=d=111111111111110 没找到set集合。

## 优化效果 ##

经过上述索引与查询方式，其实可以估算出优化后的查询计算量。

假设索引库中有100亿个simhash（也就是2^34个simhash），并且simhash本身是均匀离散的。

一次判重需要遍历4个redis集合，每个集合大概有 2^32 / 2^16个元素，也就是26万个simhash，比遍历100亿次要高效多了。

![exact-search16.jpg][]

图片左侧表示了一个simhash索引了4份，右侧表示查询时的分段4次查找。

## 权衡时间与空间 ##

假设分成5段索引，分别命名为：a.b.c.d.e。

根据抽屉原理，至多3比特的差异会导致至少有2段是相同的，所以一共有这些组合需要索引：

*  a,b
 *  a,c
 *  a,d
 *  a,e
 *  b,c
 *  b,d
 *  b,e
 *  c,d
 *  c,e
 *  d,e

一个simhash需要索引10份，一个集合的大小是2^34 / 2^(26)=256个。

一次查询需要访问10次集合，每个集合256个元素，一共只需要异或计算2560次，基本上查询性能已不再是瓶颈。

但是也可以知道，因为冗余的索引份数从4份变成了10份，所以其实是在牺牲空间换取时间。

对应的，这么大量的存储空间，再继续使用redis也是不可能的事情，需要换一个依靠廉价磁盘的分布式存储。

## 存储选型 ##

毫无疑问选择hbase，特别适合SCAN遍历集合。

rowkey设计：4字节的segment+1字节的段标识flag+8字节的simhash。

切4段，索引一段需要16比特；切5段，索引2段需要13+13比特；所以用4字节的segments来存段落。

1字节的抽屉标识，比如是切4段则标识是1,2,3,4；切5段则可以是1,2,3,4,5,6,7,8,9,10，分别代表(a,b)，(a,c)，(a,d)，(a,e)，(b,c) …

然后最后追加上simhash自身作为区分值，这样在查询时只需要指定segment+flag做4/10次SCAN操作，进行异或运算即可。

[https_yuerblog.cc_2018_05_30_simhash-text-unique-arch]: https://yuerblog.cc/2018/05/30/simhash-text-unique-arch/
[simhash.jpg]: /images/20211205/4ab03c61203f441b967ae14840d57f50.png
[Link 1]: https://github.com/fxsjy/jieba
[exact-search16.jpg]: /images/20211205/76e3da6e996d4c1db31a9ee7e3d369d1.png