W24的博客

p-stable LSH背景LSH 方法是处理海量高维数据 Approximate Nearest Neighbor（ANN）查询的有效的方法。在处理欧氏空间中 ANN 问题时，原始的 LSH（Original LSH） 方法将原始空间中的点嵌入到 Hamming 空间中，即将欧氏空间中点的表示形式转换成 Hamming 空间中点的表示形式，原始空间中的距离度量转换成 Hamming 空间中的距离度量，即 Hamming距离（其定义为两个等长序列各位进行异或运算，结果为 1 的个数）。对应该汉明距离

文章目录局部敏感哈希（LSH）参考背景LSH 的基本思想LSH 的查找过程LSH 的哈希函数应满足的条件LSH 的哈希函数族局部敏感哈希（LSH）参考LSH(Locality Sensitive Hashing)原理与实现。局部敏感哈希(Locality-Sensitive Hashing, LSH)方法介绍。背景这是一种用于海量高维数据的近似最近邻快速查找技术。也可以用来发现最相似的集合（集合中元素个数很多，而且有很多集合需要判断，说到集合相似性，这就需要用到 Jaccard距离 和 Mi

MinHash 原理前言MinHash 用于比较集合的相似度。在数据挖掘中，一个最基本的问题就是比较两个集合的相似度。通常通过遍历这两个集合中的所有元素，统计这两个集合中相同元素的个数，来表示集合的相似度；这一步也可以看成特征向量间相似度的计算（欧氏距离，余弦相似度）。当这两个集合里的元素数量异常大（特征空间维数很大），同时又有很多个集合需要判断两两间的相似度时，传统方法会变得十分耗时，最小哈希（minHash）可以用来解决该问题。Jaccard 相似度Jaccard 相似度：通过计算交集的相对