【E2LSH源码分析】p稳定分布LSH算法初探

上一节，我们分析了LSH算法的通用框架，主要是建立索引结构和查询近似最近邻。这一小节，我们从p稳定分布LSH（p-Stable LSH）入手，逐渐深入学习LSH的精髓，进而灵活应用到解决大规模数据的检索问题上。

对应海明距离的LSH称为位采样算法（bit sampling），该算法是比较得到的哈希值的海明距离，但是一般距离都是用欧式距离进行度量的，将欧式距离映射到海明空间再比较其的海明距离比较麻烦。于是，研究者提出了基于p-稳定分布的位置敏感哈希算法，可以直接处理欧式距离，并解决(R,c)-近邻问题。

1、p-Stable分布

定义：对于一个实数集R上的分布D，如果存在P>=0，对任何n个实数v₁,…,v_n和n个满足D分布的变量X₁,…,X_n，随机变量Σ_iv_iX_i和(Σ_i|v_i|^p)^1/pX有相同的分布，其中X是服从D分布的一个随机变量，则称D为 一个p稳定分布。

对任何p∈(0,2]存在稳定分布：

p=1是柯西分布，概率密度函数为c(x)=1/[π(1+x²)]；

p=2时是高斯分布，概率密度函数为g(x)=1/(2π)^1/2*e^{-x^2/2}。

利用p-stable分布可以有效的近似高维特征向量，并在保证度量距离的同时，对高维特征向量进行降维，其关键思想是，产生一个d维的随机向量a，随机向量a中的每一维随机的、独立的从p-stable分布中产生。对于一个d维的特征向量v，如定义，随机变量a·v具有和(Σ_i|v_i|^p