R语言实现︱局部敏感哈希算法（LSH）解决文本机械相似性的问题（二，textreuse介绍）

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~


———————————————————————————

上一篇（R语言实现︱局部敏感哈希算法（LSH）解决文本机械相似性的问题（一，基本原理））讲解了LSH的基本原理，笔者在想这么牛气冲天的方法在R语言中能不能实现得了呢？
于是在网上搜索了一下，真的发现了一个叫textreuse的包可以实现这样的功能，而且该包较为完整，可以很好地满足要求。
现在的版本是 0.1.3，最近的更新的时间为 2016-03-28。
国内貌似比较少的用这个包来实现这个功能，毕竟R语言在运行大规模数据的性能比较差，而LSH又是处理大规模数据的办法，所以可能国内比较少的用R来执行这个算法。

回顾一下LSH的算法步骤：

1、一般的步骤是先把数据点（可以是原始数据，或者提取到的特征向量）组成矩阵；
2、第一次hash functions（有多个哈希函数，是从某个哈希函数族中选出来的）哈希成一个叫“签名矩阵（Signature Matrix）”的东西，这个矩阵可以直接理解为是降维后的数据，此时用simhash、minhash来做，第一步的hash过程可以使用不同的functions来做；
3、第二次LSH把Signature Matrix哈希一下，就得到了每个数据点最终被hash到了哪个bucket里，如果新来一个数据点，假如是一个网页的特征向量，我想找和这个网页相似的网页，那么把这个网页对应的特征向量hash一下，看看它到哪个桶里了。

那么本篇详细介绍一下textreuse包的基本功能，分为：
一、数据格式识别与导入
二、机械分词技术
三、hash函数
四、简单文本相似性比较
五、并行

————————————————————————————————————————

一、语料数据格式识别与导入

后续的LSH必须要用到textreuse指定的格式（类似tm包），所以数据导入过程之后还有一步数据转化的过程。所以在textreuse包中有两种方法实现以上功能：
1、直接从文件读入，同时转化为指定格式（tm包格式），函数有两个：TextReuseTextDocument、TextReuseCorpus；
2、先用常规方法读入R环境，然后转化数据格式，同样可以用上述两个函数。
这两个函数是textreuse的数据基础也是关键。两个函数在转化的过程中就可以直接分词+基本hash形成签名矩阵。当然，也可以设置以下两个函数tokenizer=NULL，hash_func=NULL，先转化，然后在自己分词与hash化。

1、TextReuseTextDocument

这是textreuse比较独特的一个读入函数。
TextReuseTextDocument(text, file = NULL, meta = list(),
tokenizer = tokenize_ngrams, ..., hash_func = hash_string,
minhash_func = NULL, keep_tokens = FALSE, keep_text = TRUE,
skip_short = TRUE) file参数可以读取文件file数据，需要设定文件目录；tokeniezer表示读入的数据自动分词；同时读入还将其直接哈希化了（hash_func）。

library(textreuse)
file <- system.file("extdata/ats/remember00palm.txt",
package = "textreuse")
doc <- TextReuseTextDocument(file = file, meta = list("publisher" = "ATS"),
tokenizer = tokenize_ngrams, n = 5,
keep_tokens = TRUE) 来看看官方案例，其中的tokenizer和n后续会说，n代表多元组。官方案例中是读入单个文件，不知道是否能批量读入某文件夹里的文件。但是批量读取的情况下，还是用下面的函数比较合适。

2、TextReuseCorpus

这个函数基于tm包演化而来的，跟上面的函数差不多。
TextReuseCorpus(paths, dir = NULL, text = NULL, meta = list(),
progress = interactive(), tokenizer = tokenize_ngrams, ...,
hash_func = hash_string, minhash_func = NULL, keep_tokens = FALSE,
keep_text = TRUE, skip_short = TRUE) 该函数的读入文本范围比较广，txt、字符串的都没问题，如果有其他拓展名的文件可以用dir来读入。
而且可以批量导入某一个文件夹中所有的文件内容。
如果有多个文件的基础上，也可以通过corpus[["remember00palm"]]、corpus[c("calltounconv00baxt", "lifeofrevrichard00baxt")]这样的形式选中对应的文本内容。

3、函数查看与基本内容修改

以前在使用tm包的使用就觉得转化格式之后，查看起来就不是那么方便了。同样在这有一些函数可以查看里面具体内容。
其中转化了之后的数据会带有一些信息，通过meta可以更改这些信息，比如文档的ID信息。
#查看基本信息
meta(doc) #查看基本信息 id
tokens(doc) #机械分词内容
wordcount(doc) #总词数
content(doc) #查看原始内容
names(doc) #每个文档的姓名（可修改） 其中wordcount如果有多个文件，那么就会计算每个文件的字数，这个跟table有点像。 如果需要修改其中的一些内容可以用meta。
#修改相关信息
meta(doc)$id
meta(doc, "id")
meta(doc, "date") <- 1865

————————————————————————————————————————

二、机械分词技术

分词技术可以分为机械分词以及基于统计序列标注的分词技术，具体的拓展可以看我另外一篇博客的内容:NLP︱中文分词技术小结、几大分词引擎的介绍与比较
在R语言中专门用来中文分词的有jiebeR和Rwordseg，现在这两个大多数的分词技术都是基于序列标注的，所以计算量相对较大，但是文本机械相似性对分词没有那么高的要求，要求分成单个字符串的形式就可以满足要求了。
所以，textreuse就可以比较方面的实现简单的机械分词，只是把文档的内容去掉噪音+分开成字符串。
现在假如有一句话：
text <- "本次讲习班主要围绕知识获取、学习及推理技术，以及基于知识图谱的应用进展，邀请相关领域的专家学者做主题报告。"

1、机械分词——tokenize_words()

> tokenize_words(text)
[1] "本次" "讲习班" "主要" "围绕" "知识" "获取" "学习" "及" "推理" "技术"
[11] "以及" "基于" "知识" "图" "谱" "的" "应用" "进展" "邀请" "相关"
[21] "领域" "的" "专家" "学者" "做" "主题" "报告" 从效果来看，还不错，竟然能把一些词提取出来，而且去掉了标点，而且速度较快。貌似可以再这样的分词技术上做很多后续的探究。

2、断句——tokenize_sentences

> tokenize_sentences(text)
[1] "本次讲习班主要围绕知识获取 学习及推理技术 以及基于知识图谱的应用进展 邀请相关领域的专家学者做主题报告" 断句的原理是根据标点符号的来进行。

3、多元组——tokenize_ngrams

可能对中文的支持不好，输出的格式是乱码的，所以在这不能示范中文，而是英文。
> text <- "How many roads must a man walk down? The answer is blowin' in the wind."
> tokenize_ngrams(text, n = 3)
[1] "how many roads" "many roads must" "roads must a" "must a man"
[5] "a man walk" "man walk down" "walk down the" "down the answer"
[9] "the answer is" "answer is blowin" "is blowin in" "blowin in the"
[13] "in the wind"

4、跨越式多元组——tokenize_skip_ngrams

> tokenize_skip_ngrams(text, n = 3, k = 2)
[1] "how must walk" "many a down" "roads man the" "must walk answer"
[5] "a down is" "man the blowin" "walk answer in" "down is the"
[9] "the blowin wind" "how roads a" "many must man" "roads a walk"
[13] "must man down" "a walk the" "man down answer" "walk the is"
[17] "down answer blowin" "the is in" "answer blowin the" "is in wind"
[21] "how many roads" "many roads must" "roads must a" "must a man"
[25] "a man walk" "man walk down" "walk down the" "down the answer"
[29] "the answer is" "answer is blowin" "is blowin in" "blowin in the"
[33] "in the wind" 以上的3、4的多元组的具有很大的意义。但是对中文的支持一直不好，输出的中文是乱码的，这个暂时笔者没有去细致探究。

5、诗词的断句——英文场景

包的作者自己写了一个断句的函数。
> poem <- "Roses are red\nViolets are blue\nI like using R\nAnd you should too"
> string=poem
> tokenize_lines <- function(string) {
+ stringr::str_split(string, "\n+")[[1]]
+ }
>
> tokenize_lines(poem)
[1] "Roses are red" "Violets are blue" "I like using R" "And you should too" 通过\来分割。

————————————————————————————————————————

三、hash化

该包里面有挺多的hash函数：hashes、minhashes、rehash、hash_string
R语言中构造hash函数也有专门的包：digest
其中hash_string（词），有n个词就hash成n个hash值；
而minhash则是把文档，比如一个文档1W个词，还是固定的一个文档，300维，有一个比较有效的降维功效，同时也不会损失太多信息量，原来相似的文本表现的还是相似。

rehash则可以自己选择：
rehash(x, func, type = c("hashes", "minhashes"))
自由选择用hashes还是minhashes。

————————————————————————————————————————

四、简单文本相似性比较

相似性距离在上篇讲过，这里不赘述。一般有两类：海明距离（用在simhash）、Jaccard距离（用在Minhash）
如果只是不hash，直接看样本的相似性，必然是Jaccard要好一些。> a <- tokenize_words(paste("How does it feel, how does it feel?",
+ "To be without a home",
+ "Like a complete unknown, like a rolling stone"))
> b <- tokenize_words(paste("How does it feel, how does it feel?",
+ "To be on your own, with no direction home",
+ "A complete unknown, like a rolling stone"))
> #?similarity-functions
> jaccard_similarity(a, b) #相似程度
[1] 0.65 此时可以看出jaccard的相似性距离为0.65。
当然textreuse包中同样有其他的一些距离，可以来看看：
> jaccard_dissimilarity(a, b) #相差程度=1-相似程度
[1] 0.35
> jaccard_bag_similarity(a, b) #最大值为0.5
[1] 0.4
> ratio_of_matches(a, b) #在ab交叉/b总数
[1] 0.75 jaccard_dissimilarity=1-jaccard_similarity；
ratio_of_matches原理跟Jaccard差不多也是根据集合来求相似性的。

————————————————————————————————————————

五、并行

在求解过程中，一般来说，语料生成以及分词部分耗费计算量，可以采用并行算法，textreuse基于parallel拓展了该包的性能，可以设置核心数。但是遗憾的是不能再windows系统下设置。
options("mc.cores" = 4L)

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~


———————————————————————————