这段代码实现了四组数据的Simhash函数。
import re
from simhash import Simhash, SimhashIndex
def get_features(s):
width = 3
s = s.lower()
s = re.sub(r'[^\w]+', '', s)
return [s[i:i + width] for i in range(max(len(s) - width + 1, 1))]
data = {
1: u'How are you? I Am fine. blar blar blar blar blar Thanks.',
2: u'How are you i am fine. blar blar blar blar blar than',
3: u'This is simhash test.',
}
objs = [(str(k), Simhash(get_features(v))) for k, v in data.items()]
index = SimhashIndex(objs, k=3)
现在我已经使用此代码对一个巨大的数据集(训练数据集:train_data)进行索引。
def get_features(s):
width = 3
return [s[i:i + width] for i in range(max(len(s) - width + 1, 1))]
objs = [(str(k), Simhash(get_features(data_train[k]))) for k in range(len(data_train))]
index=SimhashIndex(objs,k=500)
但是如果我放
'k=3'
它可以工作,但对于像
这样的值'k=500'
它进入永无止境的循环。请告诉我为什么会发生这种情况以及如何获取所有“data_train”数据的索引号。
最佳答案
无需详细讨论您的代码,k 是您希望允许的最大汉明距离。 k 永远不能大于 simhash 中的位数,并且对于大多数现实世界的语料库来说,通常它不会大于 6 或 7。通常它必须小到 2 或 3。
增加 k 将导致检测相似性所需的 CPU 时间和/或存储空间急剧增加。直到您的系统处于负载状态并且哈希表中有大量 simhash 时,您才会看到此效果。
要更好地了解 k 是什么,请参阅此 explanation of simhash .
另请注意,您不会发现硬编码的示例文本之间有相似之处。它们非常短,因此即使改变一个单词也会改变很大一部分特征。 Simhash 仅在变化非常轻微时才能检测到相似性。
关于python - 如何使用 SimhashIndex() 为文档数据集分配索引号?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50912414/