百度算法：长文本去重

缘起：
（1）原创不易，互联网抄袭成风，很多原创内容在网上被抄来抄去，改来改去
（2）百度的网页库非常大，爬虫如何判断一个新网页是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、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，将文件分发到4台线上机器上，如何判断bin文件全部是一致的？
（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，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，将4台线上机器上的bin文件也取md5，如果5个md5值相同，说明一致
（2）用户A将msg以及消息的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“排序后取值最大的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，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的相似度最高，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。
标题只是噱头，百度是不是这么做的我并不知道，知情的同学说一下哈。