百度算法：長文本去重
緣起：
（1）原創不易，互聯網抄襲成風，很多原創內容在網上被抄來抄去，改來改去
（2）百度的網頁庫非常大，爬蟲如何判斷一個新網頁是否與網頁庫中已有的網頁重復呢？
這是本文要討論的問題（盡量用大家都能立刻明白的語言和示例表述）。
一、傳統簽名算法與文本完整性判斷
問題拋出：
（1）運維上線一個bin文件，將文件分發到4臺線上機器上，如何判斷bin文件全部是一致的？
（2）用戶A將消息msg發送給用戶B，用戶B如何判斷收到的msg_t就是用戶A發送的msg？
思路：
一個字節一個字節的比對兩個大文件或者大網頁效率低，我們可以用一個簽名值（例如md5值）代表一個大文件，簽名值相同則認為大文件相同（先不考慮沖突率）
回答：
（1）將bin文件取md5，將4臺線上機器上的bin文件也取md5，如果5個md5值相同，說明一致
（2）用戶A將msg以及消息的md5同時發送給用戶B，用戶B收到msg_t后也取md5，得到的值與用戶A發送過來的md5值如果相同，則說明msg_t與msg相同
結論：md5是一種簽名算法，常用來判斷數據的完整性與一致性
md5設計原則：兩個文本哪怕只有1個bit不同，其md5簽名值差別也會非常大，故它只適用于“完整性”check，不適用于“相似性”check。
新問題拋出：
有沒有一種簽名算法，如果文本非常相似，簽名值也非常相似呢？
二、文本相似性的簽名算法
上文提出的問題，可以用局部敏感哈希LSH（Locality Sensitive Hash）解決，局部敏感哈希是一類文本越相似，哈希值越相似的hash算法，有興趣的同學自行百度，這里分享一下minHash的思路。
問題的提出：什么是minHash？
回答：minHash是局部敏感哈希的一種，它常用來快速判定集合的相似性，也常用于檢測網頁的重復性，其思路為，用相同的規則抽取集合中的少部分元素代表整個集合，如果少部分元素的重合度很高，非常可能整個集合的重復度也很高。
舉例：待判定的集合為A{1, 7, 5, 9, 3, 11, 15, 13}
已有的集合為：
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}
假設使用部分元素代替全體集合的規則為：集合內元素進行排序，取值最小的4個（這個過程有信息損失，我們可以認為是一個hash過程）
處理結果為：
A{1, 3, 5, 7}
B{0, 1, 2, 4} => A與B有1個元素相同
C{100, 300, 500, 700} => A與C有0個元素相同
D{1, 2, 3, 4} => A與D有2個元素相同
判斷結論：我們認為集合A與集合D是最相似的
這個例子有點2，但基本能說明整體思路，實際在執行的過程中：
（1）我們可以使用更多的元素來代表集合，以提高準確性（例如，將上例中的4個元素代表集合升級為8個元素代表集合）
（2）我們可以使用更多的hash函數來代表集合，以提高準確性（例如，上例除了“排序后取值最小的4個元素代表集合”，還可以增加一個哈希函數“排序后取值最大的4個元素代表集合”）
（3）minHash可以量化評判相似度，亦可以評判網頁是否重復（一個分類問題），設定相似度閾值，高于閾值為重復，低于閾值為不重復
（4）實際排重過程中，網頁庫中的哈希值都可以提前計算，只有待判定的集合或者網頁的哈希值需要臨時計算
三、minHash與長文本重復度檢測有什么關系
目前看來沒什么關系，但如果我們能將每一個長文本用一個集合來表示，就能將長文本的相似度用minHash來解決了。
問題的提出：如何將長文本轉化為集合？
回答：我去，分詞不是就可以么
舉例：待判定的長文本為A{我是58沈劍，我來自58到家}
已有網頁庫集合為：
B{我是一只來自58的狼}
C{58到家，服務到家}
D{這事和我沒關系，我是湊數的}
使用分詞將上述文本集合化：
A{我，58，沈劍，來自，到家}
B{我，58，來自，狼}
C{58，服務，到家}
D{事，我，湊數，關系}
判斷結論：當當當當，轉化為集合后，可以快速判斷A與B的相似度最高，當然實際執行過程中，除了分詞還得考慮詞頻，用這種方法對長文本進行相似度檢測，準確率非常高（文本越長越準）
四、還有沒有更有效的方法
使用上述方法進行文本相似度檢測，需要進行中文分詞，詞頻統計，哈希值計算，相似度計算，計算量微大。
然而，抄襲成風，一字不改的風氣，讓技術有了更廣闊的優化空間，贊！
怎么優化呢？
不再進行分詞，而是進行“分句”，用標點符號把長文按照句子分開，使用N個句子集合（例如一篇文章中5條最長的句子作為簽名，注意，長句子比短句子更具有區分性）作為文章的簽名，在抄襲成風的互聯網環境下，此法判斷網頁的重復度能大大降低工程復雜度，并且準確度也異常的高。
五、結論
在抄襲成風的互聯網環境下，采用“分句”的方式，用5條最長的網頁內容作為網頁的簽名，能夠極大的降低排重系統復雜度，提高排重準確率，不失為一種好的選擇。
標題只是噱頭，百度是不是這么做的我并不知道，知情的同學說一下哈。