メインコンテンツまでスキップ

MINHASH_LSH

効率的な重複排除と類似検索は、大規模な機械学習データセット、特に大規模言語モデル（LLM）向けの学習コーパスをクリーニングするようなタスクにとって重要です。数百万から数十億のドキュメントを扱う場合、従来の完全一致は遅すぎてコストがかかります。

Zilliz Cloud の MINHASH_LSH インデックスは、2 つの強力な手法を組み合わせることで、高速でスケーラブルかつ正確な近似重複排除を実現します：

  • MinHash：ドキュメントの類似度を見積もるために、コンパクトな署名（「フィンガープリント」）をすばやく生成します。

  • Locality-Sensitive Hashing (LSH)：MinHash 署名に基づいて、類似するドキュメントのグループをすばやく見つけます。

このガイドでは、Zilliz Cloud で MINHASH_LSH を使用するための概念、事前準備、セットアップ、ベストプラクティスについて説明します。

概要​

仕組みを確認するには展開してください

Jaccard 類似度​

Jaccard 類似度は、2 つの集合 A と B の重なりを測るもので、次のように正式に定義されます：

J(A,B)=∣A∩B∣∣A∪B∣J(A, B) = \frac{|A \cap B|}{|A \cup B|}

値は 0（完全に重なりのない状態）から 1（同一）までの範囲を取ります。

ただし、大規模データセット内のすべてのドキュメントペア間で Jaccard 類似度を正確に計算するには、計算コストが高くなります。n が大きい場合、時間とメモリの両方で O(n²) となります。このため、LLM の学習コーパスのクリーニングやウェブ規模のドキュメント分析などのユースケースには現実的ではありません。

MinHash 署名：Jaccard 類似度の近似​

MinHash は、Jaccard 類似度を効率的に見積もる確率的な手法です。各集合をコンパクトな 署名ベクトル に変換し、集合の類似度を効率的に近似するのに十分な情報を保持します。

基本的な考え方:

2 つの集合が似ているほど、それらの MinHash 署名が同じ位置で一致する可能性が高くなります。この性質により、MinHash は集合間の Jaccard 類似度を近似できます。

この性質により、MinHash は集合全体を直接比較することなく、集合間の Jaccard 類似度を近似 できます。

MinHash の処理は次のとおりです：

  1. Shingling: ドキュメントを、重複するトークンシーケンス（shingle）の集合に変換します。

  2. Hashing: 各 shingle に複数の独立したハッシュ関数を適用します。

  3. Min Selection: 各ハッシュ関数について、すべての shingle にわたる 最小 ハッシュ値を記録します。

プロセス全体を以下に示します：

CCzEwT7uchMqI6bsxRJcK1qenEh

Notes

使用するハッシュ関数の数によって、MinHash 署名の次元数が決まります。次元を大きくすると近似精度が向上しますが、ストレージと計算コストが増加します。

MinHash 向けの LSH​

MinHash 署名はドキュメント間で正確な Jaccard 類似度を計算するコストを大幅に削減しますが、すべての署名ベクトルのペアを総当たりで比較するのは、大規模になると依然として非効率です。

これを解決するために LSH が使用されます。LSH は、類似する項目が高い確率で同じ「バケット」にハッシュされるようにすることで高速な近似類似検索を可能にし、すべてのペアを直接比較する必要をなくします。

処理は次のとおりです：

  1. 署名の分割:

    n 次元の MinHash 署名は b 個のバンドに分割されます。各バンドには r 個の連続するハッシュ値が含まれるため、署名全体の長さは n = b × r を満たします。

    たとえば、128 次元の MinHash 署名（n = 128）を 32 個のバンド（b = 32）に分割すると、各バンドには 4 個のハッシュ値（r = 4）が含まれます。

  2. バンド単位のハッシュ:

    分割後、各バンドは標準的なハッシュ関数を用いて個別に処理され、バケットに割り当てられます。2 つの署名がバンド内で同じハッシュ値を生成した場合、つまり同じバケットに入った場合、それらは一致候補と見なされます。

  3. 候補の選択:

    少なくとも 1 つのバンドで衝突したペアが類似候補として選択されます。

Notes

なぜ機能するのか

数学的には、2 つの署名の Jaccard 類似度が ss であるとき、

  • 1 つの行（ハッシュ位置）で一致する確率は ss です

  • バンドの rr 個の行すべてで一致する確率は srs^r です

  • 少なくとも 1 つのバンド で一致する確率は $1 - (1 - s^r)^b$ です

詳細については、Locality-sensitive hashing を参照してください。

128 次元の MinHash 署名を持つ 3 つのドキュメントを考えます：

E1dewMnqshua0ib7aHmcL10lnIe

まず、LSH は 128 次元の署名を、それぞれ 4 つの連続する値からなる 32 個のバンドに分割します：

PhSMwS74rh25oybv9Docmfionze

次に、各バンドはハッシュ関数を用いて異なるバケットにハッシュされます。同じバケットを共有するドキュメントペアが類似候補として選択されます。以下の例では、Document A と Document B のハッシュ結果が Band 0 で衝突するため、これらが類似候補として選択されます：

RfmMwNkIvhlUFSb11alcP8fqnmf

Notes

バンドの数は mh_lsh_band パラメーターで制御されます。詳細については、インデックス構築パラメーター を参照してください。

MHJACCARD：MinHash 署名の比較​

MinHash 署名は、固定長のバイナリベクトルを用いて集合間の Jaccard 類似度を近似します。ただし、これらの署名は元の集合を保持しないため、JACCARD、L2、COSINE などの標準的なメトリックを直接適用して比較することはできません。

これに対応するため、Zilliz Cloud は MinHash 署名の比較専用に設計された MHJACCARD という特殊なメトリックタイプを導入しています。

Zilliz Cloud で MinHash を使用する場合：

  • ベクトルフィールドは BINARY_VECTOR 型である必要があります。

  • index_type は MINHASH_LSH（または BIN_FLAT）である必要があります。

  • metric_type は MHJACCARD に設定する必要があります。

他のメトリックを使用すると、無効になるか、誤った結果が返されます。

このメトリックタイプの詳細については、MHJACCARD を参照してください。

重複排除ワークフロー​

MinHash LSH を利用した重複排除プロセスにより、Zilliz Cloud はコレクションに挿入する前に、ほぼ重複するテキストや構造化レコードを効率的に識別して除外できます。

It9wwbCFwhfT0RbwosAcGltZneb

  1. Chunk & preprocess: 受信したテキストデータまたは構造化データ（レコード、フィールドなど）をチャンクに分割し、テキストを正規化して（小文字化、句読点の削除）、必要に応じてストップワードを削除します。

  2. Feature construction: MinHash に使用するトークンセットを構築します（例：テキストの shingle、構造化データの連結されたフィールドトークン）。

  3. MinHash signature generation: 各チャンクまたはレコードの MinHash 署名を計算します。

  4. Binary ベクトル conversion: 署名を Milvus と互換性のあるバイナリベクトルに変換します。

  5. Search before insert: MinHash LSH インデックスを使用して、対象のコレクションで受信項目のほぼ重複を検索します。

  6. Insert & store: 一意の項目のみをコレクションに挿入します。挿入された項目は、今後の重複排除チェックで検索可能になります。

事前準備​

Zilliz Cloud で MinHash LSH を使用する前に、まず MinHash 署名 を生成する必要があります。このコンパクトなバイナリ署名は集合間の Jaccard 類似度を近似し、Zilliz Cloud での MHJACCARD ベースの検索に必要です。

Notes

MINHASH_LSH インデックス用の MinHash 署名は、次の 2 つの方法で準備できます：

  • 外部ツールを使用して自分で署名を生成し、BINARY_VECTOR フィールドに挿入する、または

  • 組み込みの MinHash 関数を使用して、テキストから互換性のあるバイナリベクトルを自動的に生成します。MinHash 関数のエンドツーエンドのワークフローと構成オプションについては、MinHash 関数 を参照してください。

MinHash 署名を生成する方法を選択する​

ワークロードに応じて、次のいずれかを選択できます：

  • シンプルにするために Python の datasketch を使用する（プロトタイピングに推奨）

  • 大規模データセットには分散ツール（Spark、Ray など）を使用する

  • パフォーマンスチューニングが重要な場合は、カスタムロジック（NumPy、C++ など）を実装する

このガイドでは、シンプルさと Zilliz Cloud の入力形式との互換性のために datasketch を使用します。

必要なライブラリをインストールする​

この例に必要なパッケージをインストールします：

bash
pip install pymilvus datasketch numpy

MinHash 署名を生成する​

256 次元の MinHash 署名を生成し、各ハッシュ値は 64 ビット整数として表現します。これは MINHASH_LSH で想定されるベクトル形式と一致します。

python
from datasketch import MinHash
import numpy as np

MINHASH_DIM = 256
HASH_BIT_WIDTH = 64

def generate_minhash_signature(text, num_perm=MINHASH_DIM) -> bytes:
    m = MinHash(num_perm=num_perm)
    for token in text.lower().split():
        m.update(token.encode("utf8"))
    return m.hashvalues.astype('>u8').tobytes()  # Returns 2048 bytes

各署名は 256 × 64 ビット = 2048 バイトです。このバイト文字列は BINARY_VECTOR フィールドに直接挿入できます。Zilliz Cloud で使用されるバイナリベクトルの詳細については、バイナリベクトル を参照してください。

既定では、Zilliz Cloud は MinHash 署名と LSH インデックスのみを使用して近似近傍を検索します。これは高速ですが、偽陽性を返したり、近い一致を見逃したりする可能性があります。

正確な Jaccard 類似度 が必要な場合、Zilliz Cloud は元のトークンセットを使用する絞り込み検索をサポートしています。これを有効にするには：

トークンセットの抽出例:

python
def extract_token_set(text: str) -> str:
    tokens = set(text.lower().split())
    return " ".join(tokens)

MinHash LSH を使用する​

MinHash ベクトルと元のトークンセットの準備ができたら、MINHASH_LSH を使用して Zilliz Cloud でそれらを保存、インデックス作成、検索できます。

クラスターに接続する​

python
from pymilvus import MilvusClient

client = MilvusClient(uri="YOUR_CLUSTER_ENDPOINT")  # Update if your URI is different

コレクションスキーマを定義する​

次の要素を持つスキーマを定義します：

  • プライマリキー

  • MinHash 署名用の BINARY_VECTOR フィールド

  • 元のトークンセット用の VARCHAR フィールド（絞り込み検索を有効にする場合）

  • 任意で、元のテキスト用の document フィールド

python
from pymilvus import DataType

VECTOR_DIM = MINHASH_DIM * HASH_BIT_WIDTH  # 256 × 64 = 16384 bits

schema = client.create_schema(auto_id=False, enable_dynamic_field=False)
schema.add_field("doc_id", DataType.INT64, is_primary=True)
schema.add_field("minhash_signature", DataType.BINARY_VECTOR, dim=VECTOR_DIM)
schema.add_field("token_set", DataType.VARCHAR, max_length=1000)  # required for refinement
schema.add_field("document", DataType.VARCHAR, max_length=1000)

インデックスパラメーターを構築してコレクションを作成する​

Jaccard 絞り込みを有効にして MINHASH_LSH インデックスを構築します：

python
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="minhash_signature",
    index_type="MINHASH_LSH",
    metric_type="MHJACCARD",
    params={
        "mh_element_bit_width": HASH_BIT_WIDTH,  # Must match signature bit width
        "mh_lsh_band": 16,                       # Band count (256/16 = 16 hashes per band)
        "with_raw_data": True                    # Required for Jaccard refinement
    }
)

client.create_collection("minhash_demo", schema=schema, index_params=index_params)

インデックス構築パラメーターの詳細については、インデックス構築パラメーター を参照してください。

データを挿入する​

各ドキュメントについて、次のものを準備します：

  • バイナリの MinHash 署名

  • シリアル化されたトークンセット文字列

  • （任意）元のテキスト

python
documents = [
    "machine learning algorithms process data automatically",
    "deep learning uses neural networks to model patterns"
]

insert_data = []
for i, doc in enumerate(documents):
    sig = generate_minhash_signature(doc)
    token_str = extract_token_set(doc)
    insert_data.append({
        "doc_id": i,
        "minhash_signature": sig,
        "token_set": token_str,
        "document": doc
    })

client.insert("minhash_demo", insert_data)
client.flush("minhash_demo")

Zilliz Cloud は、MinHash LSH を使用した 2 つの類似検索モードをサポートしています：

  • 近似検索 — MinHash 署名と LSH のみを使用し、高速ですが確率的な結果を返します。

  • 絞り込み検索 — 元のトークンセットを使用して Jaccard 類似度を再計算し、精度を向上させます。

5.1 クエリを準備する​

類似検索を実行するには、クエリドキュメントの MinHash 署名を生成します。この署名は、データ挿入時に使用したものと同じ次元とエンコード形式に一致している必要があります。

python
query_text = "deep learning uses neural networks to model patterns"
query_sig = generate_minhash_signature(query_text)

5.2 近似検索（LSH のみ）​

これは高速でスケーラブルですが、近い一致を見逃したり、偽陽性が含まれたりする可能性があります：

python
search_params={
    "metric_type": "MHJACCARD", 
    "params": {}
}

approx_results = client.search(
    collection_name="minhash_demo",
    data=[query_sig],
    anns_field="minhash_signature",
    search_params=search_params,
    limit=3,
    output_fields=["doc_id", "document"],
    consistency_level="Strong"
)

for i, hit in enumerate(approx_results[0]):
    sim = hit['distance']
    print(f"{i+1}. Similarity: {sim:.3f} | {hit['entity']['document']}")

これは、Zilliz Cloud に保存された元のトークンセットを使用して正確な Jaccard 比較を可能にします。やや低速ですが、品質が重視されるタスクに推奨されます：

python
search_params = {
    "metric_type": "MHJACCARD",
    "params": {
        "mh_search_with_jaccard": True,  # Enable real Jaccard computation
        "refine_k": 5                    # Refine top 5 candidates
    }
}

refined_results = client.search(
    collection_name="minhash_demo",
    data=[query_sig],
    anns_field="minhash_signature",
    search_params=search_params,
    limit=3,
    output_fields=["doc_id", "document"],
    consistency_level="Strong"
)

for i, hit in enumerate(refined_results[0]):
    sim = hit['distance']
    print(f"{i+1}. Similarity: {sim:.3f} | {hit['entity']['document']}")

インデックスパラメーター​

このセクションでは、インデックスの構築とインデックスでの検索に使用されるパラメーターの概要を説明します。

インデックス構築パラメーター​

次の表は、インデックスを構築する ときに params で構成できるパラメーターを一覧表示します。

パラメーター説明値の範囲チューニングの提案
mh_element_bit_widthMinHash 署名内の各ハッシュ値のビット幅。8 で割り切れる必要があります。8, 16, 32, 64パフォーマンスと精度のバランスを取るには 32 を使用します。より大きなデータセットで精度を高めるには 64 を使用します。許容できる精度低下と引き換えにメモリを節約するには 16 を使用します。
mh_lsh_bandLSH のために MinHash 署名を分割するバンド数。再現率とパフォーマンスのトレードオフを制御します。[1, signature_length]128 次元の署名の場合：32 バンド（4 values/band). から開始します。再現率を高めるには 64 に増やし、パフォーマンスを高めるには 16 に減らします。署名長を均等に分割できる必要があります。
mh_lsh_code_in_memLSH ハッシュコードを匿名メモリに保存するか（true）、メモリマッピングを使用するか（false）。true, falseメモリ使用量を削減するには、大規模データセット（100 万セット超）に false を使用します。最大の検索速度が必要な小規模データセットには true を使用します。
with_raw_data絞り込みのために、元の MinHash 署名を LSH コードと一緒に保存するかどうか。true, false高い精度が必要でストレージコストが許容できる場合は true を使用します。わずかな精度低下と引き換えにストレージオーバーヘッドを最小限に抑えるには false を使用します。
mh_lsh_bloom_false_positive_probLSH バケット最適化で使用されるブルームフィルターの偽陽性確率。[0.001, 0.1]メモリ使用量と精度のバランスを取るには 0.01 を使用します。値を小さくすると（0.001）偽陽性が減りますが、メモリが増加します。値を大きくすると（0.05）メモリを節約できますが、精度が低下する可能性があります。

インデックス固有の検索パラメーター​

次の表は、インデックスで検索する ときに search_params.params で構成できるパラメーターを一覧表示します。

パラメーター説明値の範囲チューニングの提案
mh_search_with_jaccard絞り込みのために、候補結果に対して正確な Jaccard 類似度計算を実行するかどうか。true, false高い精度が求められるアプリケーション（重複排除など）には true を使用します。わずかな精度低下が許容される場合に、より高速な近似検索を行うには false を使用します。
refine_kJaccard 絞り込みの前に取得する候補の数。mh_search_with_jaccard が true の場合にのみ有効です。[top_k, top_k * 10]再現率とパフォーマンスのバランスを取るには、目的の top_k の 2〜5 倍に設定します。値を大きくすると再現率は向上しますが、計算コストが増加します。
mh_lsh_batch_search複数の同時クエリに対してバッチ最適化を有効にするかどうか。true, falseスループットを向上させるために、複数のクエリで同時に検索する場合は true を使用します。メモリオーバーヘッドを削減するために、単一クエリのシナリオでは false を使用します。
Ctrl I