百度咋做長文本去重

緣起：

（1）原創(chuàng)不易，互聯(lián)網(wǎng)抄襲成風(fēng)，很多原創(chuàng)內(nèi)容在網(wǎng)上被抄來抄去，改來改去

（2）百度的網(wǎng)頁庫非常大，爬蟲如何判斷一個新網(wǎng)頁是否與網(wǎng)頁庫中已有的網(wǎng)頁重復(fù)呢？

這是本文要討論的問題（盡量用大家都能立刻明白的語言和示例表述）。

一、傳統(tǒng)簽名算法與文本完整性判斷

---

問題拋出：

（1）運維上線一個bin文件，將文件分發(fā)到4臺線上機(jī)器上，如何判斷bin文件全部是一致的？

（2）用戶A將消息msg發(fā)送給用戶B，用戶B如何判斷收到的msg_t就是用戶A發(fā)送的msg？

思路：

一個字節(jié)一個字節(jié)的比對兩個大文件或者大網(wǎng)頁效率低，我們可以用一個簽名值（例如md5值）代表一個大文件，簽名值相同則認(rèn)為大文件相同（先不考慮沖突率）

回答：

（1）將bin文件取md5，將4臺線上機(jī)器上的bin文件也取md5，如果5個md5值相同，說明一致

（2）用戶A將msg以及消息的md5同時發(fā)送給用戶B，用戶B收到msg_t后也取md5，得到的值與用戶A發(fā)送過來的md5值如果相同，則說明msg_t與msg相同

結(jié)論：md5是一種簽名算法，常用來判斷數(shù)據(jù)的完整性與一致性

md5設(shè)計原則：兩個文本哪怕只有1個bit不同，其md5簽名值差別也會非常大，故它只適用于“完整性”check，不適用于“相似性”check。

新問題拋出：

有沒有一種簽名算法，如果文本非常相似，簽名值也非常相似呢？

二、文本相似性的簽名算法

---

上文提出的問題，可以用局部敏感哈希LSH（Locality Sensitive Hash）解決，局部敏感哈希是一類文本越相似，哈希值越相似的hash算法，有興趣的同學(xué)自行百度，這里分享一下minHash的思路。

問題的提出：什么是minHash？

回答：minHash是局部敏感哈希的一種，它常用來快速判定集合的相似性，也常用于檢測網(wǎng)頁的重復(fù)性，其思路為，用相同的規(guī)則抽取集合中的少部分元素代表整個集合，如果少部分元素的重合度很高，非常可能整個集合的重復(fù)度也很高。

舉例：待判定的集合為A{1, 7, 5, 9, 3, 11, 15, 13}
已有的集合為：
B{10, 8, 2, 4, 6, 0, 1, 16},
C{100, 700, 500, 900, 300, 1100, 1500,1300},

D{1, 3, 2, 4, 6, 5, 8, 7}

假設(shè)使用部分元素代替全體集合的規(guī)則為：集合內(nèi)元素進(jìn)行排序，取值最小的4個（這個過程有信息損失，我們可以認(rèn)為是一個hash過程）

處理結(jié)果為：

A{1, 3, 5, 7}
B{0, 1, 2, 4}      =>     A與B有1個元素相同
C{100, 300, 500, 700}      =>     A與C有0個元素相同

D{1, 2, 3, 4}      =>     A與D有2個元素相同

判斷結(jié)論：我們認(rèn)為集合A與集合D是最相似的

這個例子有點2，但基本能說明整體思路，實際在執(zhí)行的過程中：

（1）我們可以使用更多的元素來代表集合，以提高準(zhǔn)確性（例如，將上例中的4個元素代表集合升級為8個元素代表集合）

（2）我們可以使用更多的hash函數(shù)來代表集合，以提高準(zhǔn)確性（例如，上例除了“排序后取值最小的4個元素代表集合”，還可以增加一個哈希函數(shù)“排序后取值最大的4個元素代表集合”）

（3）minHash可以量化評判相似度，亦可以評判網(wǎng)頁是否重復(fù)（一個分類問題），設(shè)定相似度閾值，高于閾值為重復(fù)，低于閾值為不重復(fù)

（4）實際排重過程中，網(wǎng)頁庫中的哈希值都可以提前計算，只有待判定的集合或者網(wǎng)頁的哈希值需要臨時計算

三、minHash與長文本重復(fù)度檢測有什么關(guān)系

---

目前看來沒什么關(guān)系，但如果我們能將每一個長文本用一個集合來表示，就能將長文本的相似度用minHash來解決了。

問題的提出：如何將長文本轉(zhuǎn)化為集合？

回答：我去，分詞不是就可以么

舉例：待判定的長文本為A{我是58沈劍，我來自58到家}

已有網(wǎng)頁庫集合為：

B{我是一只來自58的狼}
C{58到家，服務(wù)到家}

D{這事和我沒關(guān)系，我是湊數(shù)的}

使用分詞將上述文本集合化：

A{我，58，沈劍，來自，到家}
B{我，58，來自，狼}
C{58，服務(wù)，到家}

D{事，我，湊數(shù)，關(guān)系}

判斷結(jié)論：當(dāng)當(dāng)當(dāng)當(dāng)，轉(zhuǎn)化為集合后，可以快速判斷A與B的相似度最高，當(dāng)然實際執(zhí)行過程中，除了分詞還得考慮詞頻，用這種方法對長文本進(jìn)行相似度檢測，準(zhǔn)確率非常高（文本越長越準(zhǔn)）

四、還有沒有更有效的方法

---

使用上述方法進(jìn)行文本相似度檢測，需要進(jìn)行中文分詞，詞頻統(tǒng)計，哈希值計算，相似度計算，計算量微大。

然而，抄襲成風(fēng)，一字不改的風(fēng)氣，讓技術(shù)有了更廣闊的優(yōu)化空間，贊！

怎么優(yōu)化呢？

不再進(jìn)行分詞，而是進(jìn)行“分句”，用標(biāo)點符號把長文按照句子分開，使用N個句子集合（例如一篇文章中5條最長的句子作為簽名，注意，長句子比短句子更具有區(qū)分性）作為文章的簽名，在抄襲成風(fēng)的互聯(lián)網(wǎng)環(huán)境下，此法判斷網(wǎng)頁的重復(fù)度能大大降低工程復(fù)雜度，并且準(zhǔn)確度也異常的高。

五、結(jié)論

---

在抄襲成風(fēng)的互聯(lián)網(wǎng)環(huán)境下，采用“分句”的方式，用5條最長的網(wǎng)頁內(nèi)容作為網(wǎng)頁的簽名，能夠極大的降低排重系統(tǒng)復(fù)雜度，提高排重準(zhǔn)確率，不失為一種好的選擇。

標(biāo)題只是噱頭，百度是不是這么做的我并不知道，知情的同學(xué)說一下哈。