分享：如何实现一个高效率的查重系统？顺带问问各位 V 友大牛有没有更好的实现方式
kwklover · 2021-02-16 23:42:55 +08:00 · 3345 次点击这是一个创建于 1408 天前的主题，其中的信息可能已经有所发展或是发生改变。
因为最近做了个小项目，是一个站内查重系统(就是提交一个文档，判断这个文档与已有文档的重复率)，因为预算不多，所以我想了个简单的实现方式：
1，把待查重的文档的前 N 字（比如前 300 字），拆解为 10 个句子，分别去站内搜索，得出一个疑似重复度高的集合。
2，把疑似集合的前 N 字与待分析文档，分别建立字表做准确分析，得出重复率百分比。
这个项目，开发周期一周，检测效果还行，但就是效率有点慢，百来万的数据量，每一个文档的检测需要几秒，而且还不是全文比对，做个了折中，检测前 N 字的做法。
各位 V 友大牛有没有更好的实现方式？
1，把待查重的文档的前 N 字（比如前 300 字），拆解为 10 个句子，分别去站内搜索，得出一个疑似重复度高的集合。
2，把疑似集合的前 N 字与待分析文档，分别建立字表做准确分析，得出重复率百分比。
这个项目，开发周期一周，检测效果还行，但就是效率有点慢，百来万的数据量，每一个文档的检测需要几秒，而且还不是全文比对，做个了折中，检测前 N 字的做法。
各位 V 友大牛有没有更好的实现方式？
 |
1
siyemiaokube 2021-02-17 03:42:17 +08:00 via iPhone
随便 yy 了一下：
词袋记录常见词，给站内文章打 tag，分别建索引 然后把 input 随便剪一剪，分别词袋，根据 tag 对应的索引列表比对？ |
 |
2
sampeng 2021-02-17 08:40:49 +08:00 via iPhone
简单的向量相似性即可…
|
|
3
sampeng 2021-02-17 08:42:46 +08:00 via iPhone
每个文档提交的时候酸一个向量值。查重就是比一下得事。应该飞快。比你查前 300 字，拆句，搜索快 n 倍。算法不超过 100 行代码
|
 |
4
xuanbg 2021-02-17 09:04:37 +08:00
根据关键词的权重计算向量
|
 |
5
jeeyong 2021-02-17 09:20:05 +08:00
jieba 分词, 把所有得词标号, 如果没有, 给一个新的.
之后整篇文章获得一个类似[0, 25, 37, 178, 3578]得数组, 就是 2 楼说的向量了.. 后面不会了..谁来给我补补课.. |
 |
6
neoblackcap 2021-02-17 09:46:09 +08:00 via iPhone
snap 很多 bug，又不修。安装完系统第一件事就是卸装它
|
 |
7
DoctorCat 2021-02-17 09:58:26 +08:00
simhash
|
 |
8
laminux29 2021-02-17 11:19:35 +08:00
查重就没办法高效率，高效率的查重准确度不高。连谷歌处理这事都是砸钱去用空间换时间，没钱就只能消耗时间。
|
 |
9
noqwerty 2021-02-17 12:16:42 +08:00
比较简单的办法是每个文档算 TF-IDF，然后用文档间的 cosine similarity 判断相似程度
|
 |
10
taowen 2021-02-17 15:08:29 +08:00
https://twitter.com/slimsag/status/1360136379301199872 How do you check for existence of a key in a set with 100M keys, in only 125ns? Using Xor Filters
|
 |
11
kwklover OP |
|
12
kwklover OP @jeeyong
我也不是专业 NLP，如果建立向量速度快，比较速度快，倒是可以研究一下。 通过搜索的方式+字表比较的方式也能解决问题，就是建立 Lucene 索引的过程也是很吃资源，很耗费时间的，不过就是搜索快。 |
 |
13
ntest 2021-02-17 16:08:31 +08:00
用 SimHash 比较吧，每个文档生成一次就行了
|
|
14
kwklover OP @ntest
网上搜索了一下 SimHash 的资料，大概就是给每个文档建立一个 Hash，然后比较，所以比较的实现方式决定了最终的效率，不过 SimHash 可以计算出相似，但是具体相似多少，没法得出。 |
 |
15
dream4ever 2021-02-17 19:04:28 +08:00 via iPhone
吴军当年在谷歌黑板报上就写了相关的文章，印象中是用矩阵运算之类的方法解决的，感兴趣可以搜搜。
|
|
17
sampeng 2021-02-17 20:36:18 +08:00 via iPhone
另外 ps…要测试速度很简单…做一百万次除法就是每次查重需要的时间和 cpu 消耗
|
 |
19
AX5N 2021-02-17 21:10:11 +08:00
这玩意是有算法的，建议去搜一下，不要自己想。
|
|
20
kwklover OP @jeeyong 不是默认，本来就是小打小闹的，欢迎大牛提供好的思路，目前的解决方案，解决百来万级的数据查重，勉强够用，再上一个量级，比如千万级数据量，那肯定慢死了，就是想征集一下不同的思路和方案。
|
 |
21
dongxiao 2021-02-17 21:57:25 +08:00 via Android
试试 Embedding+FAISS
|
 |
22
igeeky 2021-02-17 22:25:21 +08:00
可以试试 postgresql. psql 支持文本相似度查询排序. 可以看看这个网页: https://developer.aliyun.com/article/59212
|
 |
24
yucongo 2021-02-17 23:47:58 +08:00 via Android
bert （或其他 embedding ）＋ faiss 或许可以一试。其实好像也可以利用 elasticsearch
|
 |
25
BiteTheDust 2021-02-18 00:14:45 +08:00
从传统的字符串算法角度想了想
对每个已有的文档建后缀自动机 然后用于查询的文档去对后缀自动机进行匹配 失配后回到原点重新继续匹配 这样如果得到一些比较长的匹配结果就可以认为重复度比较高 得到很多零碎的短匹配或者跟本匹配不上则可以认为重复度比较低 时间复杂度的话与查询文档的大小 len 和已有文档的个数 n 相关 O(len*n) |
 |
26
FrankAdler 2021-02-18 04:24:21 +08:00
布隆过滤器和 SimHash 以及完整 hash 是可以嵌套过滤的
|
 |
27
ddup 2021-02-18 12:24:15 +08:00
Lucene.NET 耗性能从大到小集中在几个地方：
1.分词 2.建立倒排索引 3.搜索 对于文档查重，可以在分词上做调整，是否有必要做细粒度的分词，比如是不是按句分词就够了（但是这样如果别人没有整句抄袭就无法检索到），那如果自定义一个粗粒度的分词器呢？ 加上由于分词粒度粗了，同样大小内容的检索时间也会降低，可以检索更多句子。 |
 |
28
Lemeng 2021-02-18 19:10:52 +08:00
我记得之前有个教程的，说是非常高效
|
Select Language