百度咋做长文本去重（一分钟系列）

缘起：

(1)原创不易，百度本去互联网抄袭成风，咋做重分钟系很多原创内容在网上被抄来抄去，长文改来改去

(2)百度的百度本去网页库非常大，爬虫如何判断一个新网页是咋做重分钟系否与网页库中已有的网页重复呢?

这是本文要讨论的问题(尽量用大家都能立刻明白的语言和示例表述)。

一、长文传统签名算法与文本完整性判断

问题抛出：

(1)运维上线一个bin文件，百度本去将文件分发到4台线上机器上，咋做重分钟系如何判断bin文件全部是长文一致的?

(2)用户A将消息msg发送给用户B，用户B如何判断收到的百度本去msg_t就是用户A发送的msg?

思路：

一个字节一个字节的比对两个大文件或者大网页效率低，我们可以用一个签名值(例如md5值)代表一个大文件，咋做重分钟系签名值相同则认为大文件相同(先不考虑冲突率)

回答：

(1)将bin文件取md5，长文将4台线上机器上的百度本去bin文件也取md5，如果5个md5值相同，咋做重分钟系说明一致

(2)用户A将msg以及消息的长文md5同时发送给用户B，用户B收到msg_t后也取md5，得到的值与用户A发送过来的md5值如果相同，则说明msg_t与msg相同

结论：md5是服务器租用一种签名算法，常用来判断数据的完整性与一致性

md5设计原则：两个文本哪怕只有1个bit不同，其md5签名值差别也会非常大，故它只适用于“完整性”check，不适用于“相似性”check。

新问题抛出：

有没有一种签名算法，如果文本非常相似，签名值也非常相似呢?

二、文本相似性的签名算法

上文提出的问题，可以用局部敏感哈希LSH(Locality Sensitive Hash)解决，局部敏感哈希是一类文本越相似，哈希值越相似的hash算法，有兴趣的同学自行百度，这里分享一下minHash的思路。

问题的提出：什么是minHash?

回答：minHash是局部敏感哈希的一种，它常用来快速判定集合的相似性，也常用于检测网页的重复性，其思路为，用相同的规则抽取集合中的亿华云计算少部分元素代表整个集合，如果少部分元素的重合度很高，非常可能整个集合的重复度也很高。

举例：待判定的集合为A{ 1, 7, 5, 9, 3, 11, 15, 13}

已有的集合为：

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}

假设使用部分元素代替全体集合的规则为：集合内元素进行排序，取值最小的4个(这个过程有信息损失，我们可以认为是一个hash过程)

处理结果为：

A{ 1, 3, 5, 7}

B{ 0, 1, 2, 4} => A与B有1个元素相同

C{ 100, 300, 500, 700} => A与C有0个元素相同

D{ 1, 2, 3, 4} => A与D有2个元素相同

判断结论：我们认为集合A与集合D是最相似的

这个例子有点2，但基本能说明整体思路，实际在执行的过程中：

(1)我们可以使用更多的元素来代表集合，以提高准确性(例如，将上例中的4个元素代表集合升级为8个元素代表集合)

(2)我们可以使用更多的hash函数来代表集合，以提高准确性(例如，上例除了“排序后取值最小的4个元素代表集合”，还可以增加一个哈希函数“排序后取值***的4个元素代表集合”)

(3)minHash可以量化评判相似度，亦可以评判网页是否重复(一个分类问题)，设定相似度阈值，高于阈值为重复，低于阈值为不重复

(4)实际排重过程中，高防服务器网页库中的哈希值都可以提前计算，只有待判定的集合或者网页的哈希值需要临时计算

三、minHash与长文本重复度检测有什么关系

目前看来没什么关系，但如果我们能将每一个长文本用一个集合来表示，就能将长文本的相似度用minHash来解决了。

问题的提出：如何将长文本转化为集合?

回答：我去，分词不是就可以么

举例：待判定的长文本为A{ 我是58沈剑，我来自58到家}

已有网页库集合为：

B{ 我是一只来自58的狼}

C{ 58到家，服务到家}

D{ 这事和我没关系，我是凑数的}

使用分词将上述文本集合化：

A{ 我，58，沈剑，来自，到家}

B{ 我，58，来自，狼}

C{ 58，服务，到家}

D{ 事，我，凑数，关系}

判断结论：当当当当，转化为集合后，可以快速判断A与B的相似度***，当然实际执行过程中，除了分词还得考虑词频，用这种方法对长文本进行相似度检测，准确率非常高(文本越长越准)

四、还有没有更有效的方法

使用上述方法进行文本相似度检测，需要进行中文分词，词频统计，哈希值计算，相似度计算，计算量微大。

然而，抄袭成风，一字不改的风气，让技术有了更广阔的优化空间，赞!

怎么优化呢?

不再进行分词，而是进行“分句”，用标点符号把长文按照句子分开，使用N个句子集合(例如一篇文章中5条最长的句子作为签名，注意，长句子比短句子更具有区分性)作为文章的签名，在抄袭成风的互联网环境下，此法判断网页的重复度能大大降低工程复杂度，并且准确度也异常的高。

五、结论

在抄袭成风的互联网环境下，采用“分句”的方式，用5条最长的网页内容作为网页的签名，能够极大的降低排重系统复杂度，提高排重准确率，不失为一种好的选择。

【本文为专栏作者“58沈剑”原创稿件，转载请联系原作者】