public List <int> FindClosest(int setIndex, MinHash minHasher, double treshold)
{
//First find potential "close" candidates
HashSet <int> potentialSetIndexes = new HashSet <int>();
for (int b = 0; b < m_numBands; b++)
{
//combine all 5 MH values and then hash get its hashcode
int sum = 0;
for (int i = 0; i < ROWSINBAND; i++)
{
sum += m_minHashMatrix[setIndex, b *ROWSINBAND + i];
}
foreach (var i in m_lshBuckets[b][sum])
{
potentialSetIndexes.Add(i);
}
}
List <int> result_list = new List <int>();
foreach (int candidateIndex in potentialSetIndexes.Where(i => i != setIndex))
{
double similarity = minHasher.ComputeSimilarity(m_minHashMatrix, setIndex, candidateIndex);
if (similarity > treshold)
{
result_list.Add(candidateIndex);
}
}
return(result_list);
}
static void Main(string[] args)
{
// Путь к исходному тексту
string SENTx_path = args[0];
// Путь к файлу, куда будем записывать дубликаты
string result_path = args[1];
// Пороги похожести, зависят от длины предложений.
double threshold2 = double.Parse(args[2], System.Globalization.CultureInfo.InvariantCulture);
double threshold1 = threshold2 * 0.8;
Console.WriteLine("threshold1={0} threshold2={1}", threshold1, threshold2);
// Макс. число предложений
int max_sent = int.Parse(args[3]);
HashSet <long> sample_hashes = new HashSet <long>(); // для устранения повторов в результатах
MD5 md5 = MD5.Create();
DateTime started = DateTime.Now;
int n_groups = 0;
using (System.IO.StreamWriter wrt = new System.IO.StreamWriter(result_path))
{
// Загружаем предложения в vals
Console.WriteLine("Processing {0}...", SENTx_path);
List <string> vals = new List <string>();
using (System.IO.StreamReader rdr = new System.IO.StreamReader(SENTx_path))
{
while (!rdr.EndOfStream && vals.Count <= max_sent)
{
string line = rdr.ReadLine();
if (line == null)
{
break;
}
line = NormalizeSent(line.Trim().Replace(" ", " ").Replace(" ", " "));
vals.Add(line);
}
}
Console.WriteLine("{0} lines in {1}", vals.Count, SENTx_path);
// -----------------------------------------------------------------------
Dictionary <string, int> shingle2id = new Dictionary <string, int>();
List <HashSet <int> > val_sets = new List <HashSet <int> >();
foreach (string v in vals)
{
string uv = SetSimilarity2.Tools.NormalizeStr(v);
HashSet <int> v_set = new HashSet <int>();
for (int i0 = 0; i0 < uv.Length - 3; ++i0)
{
string shingle = uv.Substring(i0, 3);
int id = -1;
if (!shingle2id.TryGetValue(shingle, out id))
{
id = shingle2id.Count;
shingle2id.Add(shingle, id);
}
v_set.Add(id);
}
val_sets.Add(v_set);
}
/*
* // --- отладка ---
* {
* int iset1 = vals.IndexOf("Ты меня слышишь?");
* int iset2 = vals.IndexOf("Ты слышишь меня?");
* double sim0 = SetSimilarity2.Tools.CalcJackardSim(val_sets[iset1], val_sets[iset2]);
* Console.WriteLine("iset1={0} iset2={1} sim={2}", iset1, iset2, sim0);
* }
* // ---------------
*/
Console.WriteLine("Hashing...");
// ------------------------------------------------------------------
SetSimilarity2.MinHash minhash = new SetSimilarity2.MinHash(shingle2id.Count);
// --- для отладки
//string abc = minhash.GetABC();
// ---------------
int[,] SIG = minhash.GetSignatureMatrix(val_sets);
double sim12 = minhash.ComputeSimilarity(SIG, 0, 1);
// Решение с использованием Local Sensitiviy Hash
SetSimilarity2.LSH lsh = new SetSimilarity2.LSH(SIG, val_sets);
Console.WriteLine("Searching duplicates...");
List <Tuple <int, int> > sim_pairs = new List <Tuple <int, int> >();
for (int iset1 = 0; iset1 < val_sets.Count; ++iset1)
{
List <int> sets2 = lsh.FindClosest(iset1, minhash, threshold1);
List <int> isets_bucket = new List <int>();
isets_bucket.Add(iset1);
List <string> toks1 = StringToWords(vals[iset1]);
foreach (int iset2 in sets2)
{
if (iset2 > iset1)
{
double sim0 = SetSimilarity2.Tools.CalcJackardSim(val_sets[iset1], val_sets[iset2]);
if (sim0 > threshold2)
{
// Дополнительная проверка строк, в частности надо убедиться,
// что частица НЕ/НИ осталась перед тем же словом.
List <string> toks2 = StringToWords(vals[iset2]);
if (SetsAreEqual(toks1, toks2))
{
isets_bucket.Add(iset2);
//Console.WriteLine("\nistr1={0}\nistr2={1}\nstr1={2}\nstr2={3}\nsim={4:N5}", iset1, iset2, vals[iset1], vals[iset2], sim0);
}
}
}
}
if (isets_bucket.Count > 1)
{
List <string> printed = new List <string>();
foreach (int isetx in isets_bucket)
{
string line = NormalizeSent(vals[isetx]);
if (!printed.Contains(line))
{
byte[] hash = md5.ComputeHash(System.Text.Encoding.UTF8.GetBytes(line));
Int64 ihash1 = BitConverter.ToInt64(hash, 0);
Int64 ihash2 = BitConverter.ToInt64(hash, 8);
Int64 ihash = ihash1 ^ ihash2;
if (!sample_hashes.Contains(ihash))
{
sample_hashes.Add(ihash);
printed.Add(line);
}
}
}
if (printed.Count > 1)
{
foreach (string l in printed)
{
wrt.WriteLine("{0}", l);
}
wrt.WriteLine("\n");
n_groups++;
}
}
if ((iset1 % 1000) == 0)
{
Console.Write("iset1={0}/{1} n_groups={2}\r", iset1, vals.Count, n_groups);
}
}
}
DateTime finished = DateTime.Now;
Console.WriteLine("Done via LSH, elapsed time={0} sec", (finished - started).TotalSeconds);
return;
}