simhash文本相似度计算

常见文本相似度计算方法：

1 向量空间模型VSM（Vector Space Model）。使用VSM计算相似度，先对文本进行分词，然后建立文本向量，把相似度的计算转换成某种特征向量距离的计算，比如余弦角、欧式距离、Jaccard相似系数等。这种方法存在很大一个问题：需要对文本两两进行相似度比较，无法扩展到海量文本的处理。
使用介绍可以参考 Corpora and Vector Spaces， 以及TF-IDF model

2 使用gensim的 doc2vec models.doc2vec 模型，doc2vec的设计原理是基于word2vec的原理进行改进。但是据大家使用的反馈，效果不是很好。

3 主题模型的近似计算。通过计算documents的主题模型，将主题模型近似高的documents进行k－means聚合。实际计算时可以使用 gensim的 LDA 模型 gensim中实践LDA

4， 使用simhash算法斤进行文本相似度计算

5，最新的有种基于深度学习的方法叫 Deep Averaging Network，效果据研究者说比以上好，但是网上相关资料目前只有作者的论文以及算法代码。（还没来得及研究）

gensim算法流程

1、分词，把需要判断文本分词形成这个文章的特征单词。最后形成去掉噪音词的单词序列并为每个词加上权重，我们假设权重分为5个级别（1~5）。比如：“ 美国“51区”雇员称内部有9架飞碟，曾看见灰色外星人 ” ==> 分词后为 “ 美国（4） 51区（5） 雇员（3） 称（1） 内部（2） 有（1） 9架（3） 飞碟（5） 曾（1） 看见（3） 灰色（4） 外星人（5）”，括号里是代表单词在整个句子里重要程度，数字越大越重要。

在上图中，feature表示分词后的词语，英文中以单个单词表示，并去掉词语中的stop words， wn 表示对应的feature（词语）的权重，这个权重可以是 tf－idf 或者 词频值。

2、hash，通过hash算法把每个词变成hash值，比如“美国”通过hash算法计算为 100101,“51区”通过hash算法计算为 101011。这样我们的字符串就变成了一串串数字，还记得文章开头说过的吗，要把文章变为数字计算才能提高相似度计算性能，现在是降维过程进行时。

3、加权，通过 2步骤的hash生成结果，需要按照单词的权重形成加权数字串，比如“美国”的hash值为“100101”，通过加权计算为“4 -4 -4 4 -4 4；“51区”的hash值为“101011”，通过加权计算为 “ 5 -5 5 -5 5 5”。
即相当于判断hash值的每位数值，若该位值为1，该位被 w补上，若为0，该位被 －w补上。

4、合并，把上面各个单词算出来的序列值累加，变成只有一个序列串。比如 “美国”的 “4 -4 -4 4 -4 4”，“51区”的 “ 5 -5 5 -5 5 5”， 把每一位进行累加， “4+5 -4+-5 -4+5 4+-5 -4+5 4+5” ==》 “9 -9 1 -1 1 9”。这里作为示例只算了两个单词的，真实计算需要把所有单词的序列串累加。
hash矩阵中，每列（如图中的1，2，3列）的数值分别进行加和，最终得到和值 12，108， －22， －5， －32，55

5、降维，把4步算出来的 “9 -9 1 -1 1 9” 变成 0 1 串，形成我们最终的simhash签名。 如果每一位大于0 记为 1，小于0 记为 0。最后算出结果为：“1 0 1 0 1 1”。

6 计算海明距离（Hamming distance），（在信息编码中，两个合法代码对应位上编码不同的位数称为码距，又称海明距离。）计算海明距就可以计算出两个simhash到底相似不相似。例如： 10101 和 00110 从第一位开始依次有第一位、第四、第五位不同，则海明距离为3。计算汉明距离的一种方法，就是对两个位串进行异或（xor）运算，并计算出异或运算结果中1的个数。

7 documents相似度
当我们算出所有doc的simhash值之后，需要计算doc A和doc B之间是否相似的条件是：A和B的海明距离是否小于等于n，这个n值根据经验一般取值为3。

参考文章
文本去重之SimHash算法
http://my.oschina.net/pathenon/blog/63747

海量数据相似度计算之simhash和海明距离
http://www.lanceyan.com/tech/arch/simhash_hamming_distance_similarity.html