python实现simhash算法实例
时间:2023-11-02 23:26:30
Simhash的算法简单的来说就是,从海量文本中快速搜索和已知simhash相差小于k位的simhash集合,这里每个文本都可以用一个simhash值来代表,一个simhash有64bit,相似的文本,64bit也相似,论文中k的经验值为3。该方法的缺点如优点一样明显,主要有两点,对于短文本,k值很敏感;另一个是由于算法是以空间换时间,系统内存吃不消。
#!/usr/bin/python
# coding=utf-8
class simhash:
#构造函数
def __init__(self, tokens='', hashbits=128):
self.hashbits = hashbits
self.hash = self.simhash(tokens);
#toString函数
def __str__(self):
return str(self.hash)
#生成simhash值
def simhash(self, tokens):
v = [0] * self.hashbits
for t in [self._string_hash(x) for x in tokens]: #t为token的普通hash值
for i in range(self.hashbits):
bitmask = 1 << i
if t & bitmask :
v[i] += 1 #查看当前bit位是否为1,是的话将该位+1
else:
v[i] -= 1 #否则的话,该位-1
fingerprint = 0
for i in range(self.hashbits):
if v[i] >= 0:
fingerprint += 1 << i
return fingerprint #整个文档的fingerprint为最终各个位>=0的和
#求海明距离
def hamming_distance(self, other):
x = (self.hash ^ other.hash) & ((1 << self.hashbits) - 1)
tot = 0;
while x :
tot += 1
x &= x - 1
return tot
#求相似度
def similarity (self, other):
a = float(self.hash)
b = float(other.hash)
if a > b : return b / a
else: return a / b
#针对source生成hash值 (一个可变长度版本的Python的内置散列)
def _string_hash(self, source):
if source == "":
return 0
else:
x = ord(source[0]) << 7
m = 1000003
mask = 2 ** self.hashbits - 1
for c in source:
x = ((x * m) ^ ord(c)) & mask
x ^= len(source)
if x == -1:
x = -2
return x
if __name__ == '__main__':
s = 'This is a test string for testing'
hash1 = simhash(s.split())
s = 'This is a test string for testing also'
hash2 = simhash(s.split())
s = 'nai nai ge xiong cao'
hash3 = simhash(s.split())
print(hash1.hamming_distance(hash2) , " " , hash1.similarity(hash2))
print(hash1.hamming_distance(hash3) , " " , hash1.similarity(hash3))
标签:python,simhash,算法
0
投稿
猜你喜欢
如何用Matplotlib 画三维图的示例代码
2023-03-02 15:16:08
利用Python求解阿基米德分牛问题
2023-11-10 09:36:48
keras实现VGG16 CIFAR10数据集方式
2023-08-19 08:27:08
使用pycharm将自己项目代码上传github(小白教程)
2022-05-02 20:37:06
MySql多表链接查询详细教程
2024-01-16 06:03:33
MySQL 创建多对多和一对一关系方法
2024-01-29 07:52:37
Python中操作mysql的pymysql模块详解
2024-01-14 08:14:32
Vue快速实现通用表单验证的方法
2024-04-09 10:45:06
Python区块链客户端类开发教程
2023-06-18 03:05:51
python检测服务器端口代码实例
2023-07-07 06:34:14
如何创建SQL Server 2000故障转移群集
2009-02-13 17:18:00
基于Python 函数和方法的区别说明
2023-10-03 02:04:01
Python CSV 文件解析和生成方法示例
2022-12-25 10:52:58
如何在SQL Server 2005数据库中导入SQL Server 2008的数据
2024-01-27 22:05:21
Python实现注册登录系统
2021-10-21 20:01:05
Python常用工具之音频调整音量
2023-10-29 03:15:33
Python获取指定文件夹下的文件名的方法
2022-04-26 03:10:03
Access 2002的三个实用技巧
2007-10-22 12:22:00
如何真正的了解python装饰器
2023-03-16 09:08:23
利用vue实现打印页面的几种方法总结
2023-07-02 17:09:48