你能推荐一个好的minhash实现吗？

Question

我正在努力寻找一个可以在我的工作中使用的minhash开源实现。

我需要的功能非常简单，给定一个set作为输入，实现应该返回它的minhash。

最好是python或C实现，以防我需要修改它才能为我工作。

任何提示都会有很大的帮助。

致以问候。

Answer 1

您应该按顺序查看以下开源库。它们都是用Python编写的，向您展示了如何使用LSH/MinHash计算文档相似度：

lsh

LSHHDC : Locality-Sensitive Hashing based High Dimensional Clustering

MinHash

Answer 2

看一看datasketch library。它支持序列化和合并。它是用纯python实现的，没有外部依赖。Go version具有完全相同的功能。

Answer 3

如果您对学习minhash算法感兴趣，这里有一个非常简单的实现，并进行了一些讨论。

为了为集合生成MinHash签名，我们创建一个长度为$N$的向量，其中所有值都设置为正无穷大。我们还创建了接受输入整数并对该值进行置换的$N$函数。$i^{th}$函数将单独负责更新向量中的$i^{th}$值。给定这些值，我们可以通过将集合中的每个值传递给每个$N$置换函数来计算集合的最小散列签名。如果$i^{th}$置换函数的输出低于向量的最小哈希值，我们就用置换函数的输出替换该值(这就是为什么哈希值被称为“$i^{th}$ -hash值”)。让我们用Python实现这一点：

from scipy.spatial.distance import cosine
from random import randint
import numpy as np

# specify the length of each minhash vector
N = 128
max_val = (2**32)-1

# create N tuples that will serve as permutation functions
# these permutation values are used to hash all input sets
perms = [ (randint(0,max_val), randint(0,max_val)) for i in range(N)]

# initialize a sample minhash vector of length N
# each record will be represented by its own vec
vec = [float('inf') for i in range(N)]

def minhash(s, prime=4294967311):
  '''
  Given a set `s`, pass each member of the set through all permutation
  functions, and set the `ith` position of `vec` to the `ith` permutation
  function's output if that output is smaller than `vec[i]`.
  '''
  # initialize a minhash of length N with positive infinity values
  vec = [float('inf') for i in range(N)]

  for val in s:

    # ensure s is composed of integers
    if not isinstance(val, int): val = hash(val)

    # loop over each "permutation function"
    for perm_idx, perm_vals in enumerate(perms):
      a, b = perm_vals

      # pass `val` through the `ith` permutation function
      output = (a * val + b) % prime

      # conditionally update the `ith` value of vec
      if vec[perm_idx] > output:
        vec[perm_idx] = output

  # the returned vector represents the minimum hash of the set s
  return vec

非那样做不行!为了演示如何使用此实现，让我们仅举一个简单的示例：

import numpy as np

# specify some input sets
data1 = set(['minhash', 'is', 'a', 'probabilistic', 'data', 'structure', 'for',
        'estimating', 'the', 'similarity', 'between', 'datasets'])
data2 = set(['minhash', 'is', 'a', 'probability', 'data', 'structure', 'for',
        'estimating', 'the', 'similarity', 'between', 'documents'])

# get the minhash vectors for each input set
vec1 = minhash(data1)
vec2 = minhash(data2)

# divide both vectors by their max values to scale values {0:1}
vec1 = np.array(vec1) / max(vec1)
vec2 = np.array(vec2) / max(vec2)

# measure the similarity between the vectors using cosine similarity
print( ' * similarity:', 1 - cosine(vec1, vec2) )

这将返回~.9作为这些向量之间相似性的度量。

虽然我们只比较上面的两个minhash向量，但我们可以通过使用“位置敏感散列”来更简单地比较它们。为此，我们可以构建一个字典，将每个$W$ MinHash矢量分量序列映射到构造MinHash矢量的集合的唯一标识符。例如，如果W = 4和我们有一个集合S1，我们从它导出一个MinHash向量[111,512,736,927,817...]，我们会将S1标识符添加到该向量中四个MinHash值的每个序列中：

d[111-512-736-927].append('S1')
d[512-736-927-817].append('S1')
...

一旦我们对所有的集合都这样做了，我们就可以检查字典中的每个键，如果这个键有多个不同的集合id，我们就有理由相信这些集合是相似的。事实上，一对集合id在字典中的单个值内出现的次数越多，两个集合之间的相似性就越大。以这种方式处理我们的数据，我们可以将识别所有相似集对的复杂性降低到大致线性的时间！