你能建议一个好的 minhash 实现吗？

Question

我正在尝试寻找一个 minhash 开源实现，我可以利用它来完成我的工作。

我需要的功能非常简单，给定一个集合作为输入，实现应该返回其最小哈希值。

Python 或 C 实现是首选，以防万一我需要破解它才能为我工作。

任何指点都会有很大帮助。

问候。

Answer 1

如果您有兴趣研究 minhash 算法，这里有一个非常简单的实现和一些讨论。

为了生成集合的 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

$N$

函数，它接受输入整数并排列该值。

$i^{th}$

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

$N$

排列函数来计算集合的 minhash 签名。如果

$i^{th}$

排列函数的输出低于向量的

$i^{th}$

值，我们用排列函数的输出替换该值（这就是为什么哈希被称为“min-hash” ）。让我们用 Python 来实现这个：

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

仅此而已！为了演示我们如何使用这个实现，让我们举一个简单的例子：

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。

虽然我们上面只比较了两个 minhash 向量，但我们可以通过使用“局部敏感哈希”来更简单地比较它们。为此，我们可以构建一个字典，将 $W$ MinHash 向量分量的每个序列映射到构造 MinHash 向量的集合的唯一标识符。例如，如果

W = 4

并且我们有一个集合

S1

，从中我们可以导出 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')
...

一旦我们对所有集合执行此操作，我们就可以检查字典中的每个键，如果该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 在字典中的单个值中出现的次数越多，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合对的复杂性降低到大致线性时间！

Answer 2

您应该按顺序查看以下开源库。所有这些都在 Python 中，并展示了如何使用 LSH/MinHash 计算文档相似度：

lsh
LSHHDC：基于局部敏感哈希的高维聚类
最小哈希

Answer 3

查看datasketch 库。它支持序列化和合并。它是用纯Python实现的，没有外部依赖。 Go 版本 具有完全相同的功能。

Answer 4

我建议你这个库，特别是如果你需要坚持的话。在这里，您可以使用 Redis 来存储/检索您的所有数据。

您可以选择 Redis 数据库，或者简单地使用内置的内存 Python 字典。

使用 Redis 的性能（至少在本地计算机上运行 Redis 服务器时）几乎与通过标准 Python 字典实现的性能相同。

你只需要指定一个配置字典如

config = {"redis": {"host": 'localhost', "port": '6739', "db": 0}}

并将其作为参数传递给

LSHash

类构造函数。

Answer 5

我认为 pyminhash Python 包可以满足您的需求。它适用于 Pandas 数据框。