python如何實現Simhash算法

這篇文章主要介紹python如何實現Simhash算法，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

1、simhash步驟

simhash包含分詞、hash、加權、合并、降維五大步驟

simhash代碼如下：

import jieba
import jieba.analyse
import numpy as np

class SimHash(object):
    def simHash(self, content):
        seg = jieba.cut(content)
        # jieba.analyse.set_stop_words('stopword.txt')
        # jieba基于TF-IDF提取關鍵詞
        keyWords = jieba.analyse.extract_tags("|".join(seg), topK=10, withWeight=True)

        keyList = []
        for feature, weight in keyWords:
            # print('feature:' + feature)
            print('weight: {}'.format(weight))
            # weight = math.ceil(weight)
            weight = int(weight)
            binstr = self.string_hash(feature)
            print('feature: %s , string_hash %s' % (feature, binstr))
            temp = []
            for c in binstr:
                if (c == '1'):
                    temp.append(weight)
                else:
                    temp.append(-weight)
            keyList.append(temp)
        listSum = np.sum(np.array(keyList), axis=0)
        if (keyList == []):
            return '00'
        simhash = ''
        for i in listSum:
            if (i > 0):
                simhash = simhash + '1'
            else:
                simhash = simhash + '0'
        return simhash

    def string_hash(self, source):
        if source == "":
            return 0
        else:
            temp = source[0]
            temp1 = ord(temp)
            x = ord(source[0]) << 7
            m = 1000003
            mask = 2 ** 128 - 1
            for c in source:
                x = ((x * m) ^ ord(c)) & mask
            x ^= len(source)
            if x == -1:
                x = -2
            x = bin(x).replace('0b', '').zfill(64)[-64:]

            return str(x)

    def getDistance(self, hashstr1, hashstr2):
        '''
            計算兩個simhash的漢明距離
        '''
        length = 0
        for index, char in enumerate(hashstr1):
            if char == hashstr2[index]:
                continue
            else:
                length += 1

        return length

1.1分詞

分詞是將文本文檔進行分割成不同的詞組，比如詞1為：今天星期四，詞2為：今天星期五

得出分詞結果為【今天，星期四】【今天，星期五】

1.2hash

hash是將分詞結果取hash值
星期四hash為：0010001100100000101001101010000000101111011010010001100011011110
今天hash為：0010001111010100010011110001110010100011110111111011001011110101
星期五hash為：0010001100100000101001101010000000101111011010010000000010010001

1.3加權

1.4合并

1.5降維

降維是將合并的結果進行降維，如果值大于0，則置為1小于0 則置為0，因此得到的結果為：

2、simhash比對

一般simhash采用海明距離來進行計算相似度，海明距離計算如下：

對于A，B兩個n維二進制數

二者的海明距離為：

其中：

舉例：

1000與1111的海明距離為3

以上是“python如何實現Simhash算法”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！