https://sanzo.top/Algorithm/Locality-Sensitive-Hashing

試想你有一些文本它們可能有所重復，你需要對他們進行去重處理，傳統的做法是$O(N^2)$，即對所有的文本對進行相似度的計算，然后進行排序得到結果。

假設$N=10^6$，需要進行$\frac{N(N?1)}{2}=5\times 10^{11}$次計算，在果每秒計算$10^6$次，一天大概$10^5$秒，那么需要5天的時間，如果$N=10^7$，則需要超過一年的時間。

顯然$O(N^2)$的復雜度不可取，Locality-Sensitive-Hashing（LSH）利用hash把相似高的文本分到同一個桶中，這樣過濾了大量不同的本文將計算降低到$O(N)$。

對于具體的任務，一般分為一下三個步驟：

Shingling，將文本轉化為集合。

Min-Hashing，在保證相似度的前提下，將大的集合轉化為短的簽名。

Locality-Sensitive Hashing，關注可能來自相似文本的簽名對。

接下來具體介紹這三個步驟。

Shingling

一般特征矩陣需要自己獲取，對于給定的文本，可以通過Shingling的方法構造特征集合。

例如文本為”abcabe“，可以構造為$k=2$的集合，$D=\{ab,bc,ca,be\}$，對于短的文本$k$一般取5，對于長的文本$k$取10。

我們可以對集合進行hash，將一個長的字符串表示為一個4字節的數字，$h(D)=\{1,3,2,7\}$。

得到文本的集合之后，就可以通過計算集合的相似度，從而判斷兩個文本的相似性。

在計算相似度時，這里采用Jaccard similarity，$sim(D_1,D_2)=\frac{|D_1\cap D_2|}{|D_1\cup D_2|}$。

另外我們可以把集合表示為bit vector，這樣求交集相當于AND運算，并集相當于OR運算。

MinHashing

一般文本的集合都非常大，MinHashing相當于降維，同時近似的保持相似度的準確度。

MinHashing的具體做法時，對Shingles的集合進行隨機打亂，bit vector為1的下標作為新的特征值。

MinHash相等的概率剛好等于Jaccard Similarity值，$Pr[h_{\pi }(D_1)=h_{\pi }(D_2)]=Jaccard(C_1,C_2)$。

證明如下：

對于兩個document的集合來說，一共有三種情況：

• 對應維度全為1，設有$x$個。
• 對應維度只有一個1，設有y個。
• 對應維度全為0。

其中全為0的情況不影響MinHash的值，第一個非零行為第一類的概率為$\frac{x}{x+y}$。

另外從全排列考慮，第一行為第一類的情況有$x(x+y?1)!$，全排列為$(x+y)!$，即對特征進行全排列后，MinHash相等的次數即為Jaccard Similarity。

因此我們可以使用MinHash近似表示Jaccard Similarity，同時將長的vector壓縮為短的簽名。

假設有$K=100$個hash函數，對于每一列$C$和hash函數$k_i$，初始化$sig(C)[i]=\infty$，對于每一行的非零值，如果$k_i(j)<sig(C)[i]$，則更新$sig(C)[i]=k_i(j)$。

LSH

通過MinHashing將特征矩陣轉化為小的簽名矩陣，接下來LSH將簽名矩陣劃分為$b$個band，每個band有$r$行，$len(sig)=b\times r$。

對于每個band，它們包含整體簽名的一部分，將這部分簽名通過hash映射到不同的桶中，如果兩個簽名相同它們就會映射到同一個桶中，經過b次映射，兩個節點至少有一次被分到同一個桶中，我們就認為這兩個節點的相似度更高。

假設兩個簽名的相似度為$t$，那么在同一個band中每一行都相同的概率為$t^r$，至少有一行不同的概率為$1?t^r$，所有的band都不行同的概率為$(1?t^r{)}^b$，至少有一個band的相同的概率為$1?(1?t^r{)}^b$。

另外$b$和$r$是可調節的參數。

參考文獻

Finding Similar Items

Mining of Massive Datasets

總結

以上是生活随笔為你收集整理的Locality Sensitive Hashing的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。