您好,登录后才能下订单哦!
本篇内容主要讲解“怎么用ClickHouse快速判断两个集合的相似度”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让小编来带大家学习“怎么用ClickHouse快速判断两个集合的相似度”吧!
在业务中我们经常会遇到查重的需求,例如给定一个文本字符串,判断在已有的文档中,是否存在与其相似的。
想要实现这类功能的方式有很多种,一种高效的方式是先利用 SinHash 将数据降维压缩成一串哈希值,再利用海明距离(Hamming Distance) 来比较两者之间的相似度。
SinHash 是一种局部敏感性哈希算法,特别适合在海量数据下的场景使用。
恰好在 ClickHouse 中现在已经内置了 MinHash 和 海明距离的相关函数,相关PR在此:
https://github.com/ClickHouse/ClickHouse/pull/7649。
接下来就找个例子来体验一下吧。
准备4个文本字符串,用 SimHash 函数计算它们的哈希值:
SELECT
ngramSimHash('传统的hash算法只负责将原始内容尽量均匀随机地映射为一个签名值,原理上相当于伪随机数产生算法。') AS sh2,
ngramSimHash('传统的hash算法只负责将原始内容尽量均匀随机地映射为一个签名值,原理上相当于伪随机数产生算法。') AS sh3,
ngramSimHash('传统的hash算法只负责将原始内容尽量均匀随机地映射为一个,原理上相当于伪随机数产生算法。') AS sh4,
ngramSimHash('SimHash本身属于一种局部敏感哈希算法,它产生的Hash签名在一定程度上可以表征原内容的相似度。') AS sh5
Query id: 7cf4a1d1-266f-4638-a75c-88ab1d93dbdf
┌──────sh2─┬──────sh3─┬──────sh4─┬───────sh5─┐
│ 20645847 │ 20645847 │ 54200087 │ 957490773 │
└──────────┴──────────┴──────────┴───────────┘
1 rows in set. Elapsed: 0.004 sec.
从哈希值直观的来看,sh2 和 sh3 是两段完全相同的文本,而 sh4 和 sh5 与 sh2 是有差异的,但是直接通过哈希值我们并不能判断它们的相似程度,这个时候就需要利用海明距离了。
使用 bitHammingDistance 函数计算哈希值之间的差异距离:
SELECT
bitHammingDistance(sh2, sh3) AS `1and2`,
bitHammingDistance(sh2, sh4) AS `1and3`,
bitHammingDistance(sh2, sh5) AS `1and4`
FROM
(
SELECT
ngramSimHash('传统的hash算法只负责将原始内容尽量均匀随机地映射为一个签名值,原理上相当于伪随机数产生算法。') AS sh2,
ngramSimHash('传统的hash算法只负责将原始内容尽量均匀随机地映射为一个签名值,原理上相当于伪随机数产生算法。') AS sh3,
ngramSimHash('传统的hash算法只负责将原始内容尽量均匀随机地映射为一个,原理上相当于伪随机数产生算法。') AS sh4,
ngramSimHash('SimHash本身属于一种局部敏感哈希算法,它产生的Hash签名在一定程度上可以表征原内容的相似度。') AS sh5
)
Query id: c5b24238-cf85-4eb0-a77c-0b82a888a439
┌─1and2─┬─1and3─┬─1and4─┐
│ 0 │ 3 │ 10 │
└───────┴───────┴───────┘
1 rows in set. Elapsed: 0.004 sec.
从结果可得知:
sh2 和 sh3 的海明距离是0,所以它们没有差异;
sh2 和 sh4 的距离是3,根据经验,距离在3以内的两段文本相似度就算很高了;
sh2 和 sh5 的距离是10,远大于3,所以它们是不同的。
到此,相信大家对“怎么用ClickHouse快速判断两个集合的相似度”有了更深的了解,不妨来实际操作一番吧!这里是亿速云网站,更多相关内容可以进入相关频道进行查询,关注我们,继续学习!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。