メインコンテンツまでスキップ

MINHASH_LSH

大規模な機械学習データセットでは、特に大規模言語モデル（LLM）のトレーニングコーパスをクリーニングするようなタスクにおいて、効率的な重複排除と類似検索が重要です。数百万または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すぎます。

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推定するために、コンパクトなシグネチャ（または「フィンガープリント」）をすばやく生成します。

  • Locality-Sensitive Hashing（LSH）: MinHash シグネチャに基づいて、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​

展開して仕組みを確認する

Jaccard 類似度​

Jaccard 類似度は、2 つの集合 A と B の重なりを測定するもので、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|}

値の範囲は 0（完全に重複しない）から 1（同一）です。

ただし、大規模な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) になります。このため、LLM トレーニングコーパスのクリーニングやウェブスケールのドキュメント分析といったユースケースには現実的ではありません。

MinHash シグネチャ: Jaccard 類似度の近似​

MinHash は、Jaccard 類似度を効率的に推定するための確率的な手法です。各集合をコンパクトな シグネチャベクトルに変換し、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 つの集合が類似しているほど、それらの MinHash シグネチャが同じ位置で一致する可能性が高くなります。この特性により、MinHash は集合間の Jaccard 類似度を近似できます。

この特性により、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

処理全体は次の図のとおりです。

CCzEwT7uchMqI6bsxRJcK1qenEh

Notes

使用するハッシュ関数の数によって、MinHash シグネチャの次元が決まります。次元を高くすると近似精度が向上しますが、ストレージと計算のコストが増加します。

MinHash 用の LSH​

MinHash シグネチャは、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、大規模環境ではすべてのシグネチャベクトルのペアを網羅的に比較するのは依然として非効率的です。

これを解決するために、LSH を使用します。LSH は、類似するアイテムが高い確率で同じ「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実現し、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. シグネチャの分割:

    n 次元の MinHash シグネチャを b 個のバンドに分割します。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、シグネチャ全体の長さは n = b × r を満たします。

    たとえば、128 次元の MinHash シグネチャ（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. バンドレベルのハッシュ:

    分割後、各バンドは標準のハッシュ関数を使用して個別に処理され、バケットに割り当てられます。2 つのシグネチャが同じ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 つのバンドで衝突するペアが、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 つのシグネチャの Jaccard 類似度が ss である場合、次のようになります。

  • 1 つの行（ハッシュ位置）で一致する確率は ss です

  • バンド内の r 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

詳細は、Locality-sensitive hashing を参照してください。

128 次元の MinHash シグネチャを持つ 3 つのドキュメントを考えます。

E1dewMnqshua0ib7aHmcL10lnIe

まず、LSH は 128 次元のシグネチャを、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使用して異なるバケットにハッシュされます。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。次の例では、ドキュメント A とドキュメント B のハッシュ結果が Band 0 で衝突するため、両者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。詳細は、インデックス building params を参照してください。

MHJACCARD: MinHash シグネチャの比較​

MinHash シグネチャは、固定長のバイナリベクトルを使用して集合間の Jaccard 類似度を近似します。ただし、これらのシグネチャは元の集合を保持しないため、JACCARD、L2、COSINE などの標準メトリクスを直接適用して比較することはできません。

この課題に対応するため、Zilliz Cloud は MinHash シグネチャの比較専用に設計された MHJACCARD という特殊なメトリクスタイプを導入しています。

Zilliz Cloud で MinHash を使用する場合、次の条件を満たす必要があります。

  • ベクトルフィールドの型は BINARY_VECTOR 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

他のメトリクスを使用すると、無効になるか、誤った結果が返されます。

このメトリクスタイプの詳細は、MHJACCARD を参照してください。

重複排除ワークフロー​

MinHash LSH を活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特定して除外できます。

It9wwbCFwhfT0RbwosAcGltZneb

  1. チャンク化と前処理: 入力され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ます。テキストを正規化し（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. 特徴の構築: MinHash に使用するトークンセットを構築します（例: テキストから shingle を生成する、構造化データのフィールドトークンを連結する）。

  3. MinHash シグネチャの生成: 各チャンクまたはレコードの MinHash シグネチャを計算します。

  4. バイナリベクトルへの変換: シグネチャを Milvus と互換性のあるバイナリベクトルに変換します。

  5. 挿入前の検索: MinHash LSH インデックスを使用して、対象コレクション内で入力アイテムのほぼ重複を検索します。

  6. 挿入と保存: 一意のアイテムのみをコレクションに挿入します。挿入されたアイテムは、今後の重複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 シグネチャを生成する必要があります。これらのコンパクトなバイナリシグネチャは集合間の Jaccard 類似度を近似するものであり、Zilliz Cloud で MHJACCARD ベースの検索を行うために必要です。

Notes

MINHASH_LSH インデックス用の MinHash シグネチャは、次の 2 つの方法で準備できます。

  • 外部ツールを使用してシグネチャを生成し、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生成する。MinHash 関数のエンドツーエンドのワークフローと設定オプションについては、MinHash Function を参照してください。

MinHash シグネチャの生成方法を選択する​

ワークロードに応じて、次のいずれかを選択できます。

  • シンプルさを重視する場合は Python の datasketch を使用します（プロトタイピングに推奨）

  • 大規模なデータセットには分散ツール（Spark、Ray など）を使用します

  • 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）を実装します

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、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 シグネチャを生成する​

256 次元の MinHash シグネチャを生成し、各ハッシュ値を 64 ビット整数で表現します。これは、MINHASH_LSH で想定されるベクトル形式に一致します。

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

各シグネチャは 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は、Binary ベクトル を参照してください。

デフォルトでは、Zilliz Cloud は MinHash シグネチャと 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、誤検出が返されたり、近い一致が見逃され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。有効にするには、次のようにします。

トークンセット抽出の例:

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を準備したら、Zilliz Cloud で MINHASH_LSH を使用して保存、インデックス作成、検索を行えます。

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​

次の項目を含むスキーマを定義します。

  • 主キー

  • MinHash シグネチャ用の 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）

  • オプションで、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 による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は、インデックス building params 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、次の項目を準備します。

  • バイナリの MinHash シグネチャ

  • シリアル化されたトークンセット文字列

  • （オプション）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 では、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 シグネチャと LSH のみを使用して、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 シグネチャを生成します。このシグネチャは、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する必要があります。

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）​

高速でスケーラブルですが、近い一致を見逃したり、誤検出を含んだ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']}")

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 比較を有効にします。わずかに遅くなりますが、品質が重要な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に対する検索に使用す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​

次の表に、インデックスを構築するときに params で設定できるパラメーターを示します。

パラメーター説明値の範囲チューニングの推奨事項
mh_element_bit_widthMinHash シグネチャ内の各ハッシュ値のビット幅です。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。大規模なデータセットでより高い精度を得るには 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 用に MinHash シグネチャを分割するバンド数です。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 次元のシグネチャの場合は、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、パフォーマンスを向上させるには 16 に減らします。シグネチャの長さ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（true）か、メモリマッピングを使用する（false）かを指定します。true, false大規模なデータセット（100 万セット超）では、メモリ使用量を減らすために false を使用します。最大の検索速度が必要な小規模なデータセットでは true を使用します。
with_raw_data絞り込みのために、元の MinHash シグネチャを LSH コードと併せて保存するかどうかを指定します。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の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 バケットの最適化で使用する Bloom フィルターの誤検出確率です。[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（0.001）と誤検出は減りますが、メモリが増加します。値を大きくする（0.05）とメモリは節約できますが、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​

次の表に、インデックスを検索するときに search_params.params で設定できるパラメーターを示します。

パラメーター説明値の範囲チューニングの推奨事項
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を指定します。true, false高い精度が必要なアプリケーション（重複排除など）では true を使用します。わずかな精度低下が許容できる場合は、より高速な近似検索のために false を使用します。
refine_kJaccard 絞り込みの前に取得する候補の数です。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、希望する 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するバッチ最適化を有効にするかどうかを指定します。true, false複数のクエリを同時に検索してスループットを向上させる場合は true を使用します。単一クエリのシナリオでは、メモリのオーバーヘッドを減らすために false を使用します。
このページは役に立ちましたか？
Ctrl I