布隆过滤器

class BloomFilterer(mapped_triples: Tensor, error_rate: float = 0.001)

基础类：Filterer

基于布隆过滤器的负三元组过滤器。

纯PyTorch，一个可以移动到GPU的适当模块，并支持批量计算。

另请参阅

• https://github.com/hiway/python-bloom-filter/ - 用于计算大小和代码的粗略结构

• https://github.com/skeeto/hash-prospector#two-round-functions - 用于哈希函数的部分

初始化基于布隆过滤器的过滤器。

Parameters:

• mapped_triples (Tensor) – 基于ID的三元组。

• error_rate (float) – 期望的错误率。

方法总结

add(triples)	向布隆过滤器添加三元组。
contains(batch)	检查是否包含三元组。
num_bits(num[, error_rate])	确定所需的位数。
num_probes(num_elements, num_bits)	确定探测次数 / 哈希轮数。
probe(batch)	遍历探针的索引。

方法文档

add(triples: Tensor) → None

向布隆过滤器添加三元组。

Parameters:

三元组 (Tensor)

Return type:

无

contains(batch: Tensor) → Tensor

检查是否包含三元组。

Parameters:

batch (Tensor) – 形状 (batch_size, 3) 三元组的批次。

Returns:

形状: (batch_size,) 结果。False保证元素不包含在索引的三元组中。True可能是错误的。

Return type:

Tensor

static num_bits(num: int, error_rate: float = 0.01) → int

确定所需的位数。

Parameters:

• num (int) – Bloom过滤器应存储的元素数量。

• error_rate (float) – 期望的错误率。

Returns:

所需的位数。

Return type:

int

static num_probes(num_elements: int, num_bits: int)

确定探测次数 / 哈希轮数。

Parameters:

• num_elements (int) – 元素的数量。

• num_bits (int) – 位数，即布隆过滤器的大小。

Returns:

哈希轮数。

probe(batch: Tensor) → Iterable[Tensor]

遍历探针的索引。

Parameters:

batch (Tensor) – 形状: (batch_size, 3) 一批元素。

Yields:

第k轮的索引，形状：(batch_size,).

Return type:

Iterable[Tensor]