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：
SELECTngramSimHash('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 sh5Query 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:
SELECTbitHammingDistance(sh2, sh3) AS `1and2`,bitHammingDistance(sh2, sh4) AS `1and3`,bitHammingDistance(sh2, sh5) AS `1and4`FROM(SELECTngramSimHash('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。
