LSH

SimHash

• 参考：http://blog.csdn.net/heiyeshuwu/article/details/44117473
• 如下图，规定是多少位，对各个特征进行hash。将所有特征的进行累加。累加结果，若该位大于0则为1，小于0则为0。
  
• 可以基于海明距离还计算是否相似
• 还有查询的问题。空间换时间，取前若干位作为index

MinHash

• 参考：http://blog.csdn.net/sunlylorn/article/details/7835411
• h(x): 把x映射成一个整数的哈希函数。

• hmin(S)：集合S中的元素经过h(x)哈希后，具有最小哈希值的元素。

• 第一种：使用多个hash函数

  • 为了计算集合A、B具有最小哈希值的概率，我们可以选择一定数量的hash函数，比如K个

  • 然后用这K个hash函数分别对集合A、B求哈希值，对每个集合都得到K个最小值。比如Min(A)k={a1,a2,…,ak}，Min(B)k={b1,b2,…,bk}。

  • 那么，集合A、B的相似度为|Min(A)k ∩ Min(B)k| / |Min(A)k ∪ Min(B)k|，及Min(A)k和Min(B)k中相同元素个数与总的元素个数的比例。

• 第二种：使用单个hash函数

  • 第一种方法有一个很明显的缺陷，那就是计算复杂度高。使用单个hash函数是怎么解决这个问题的呢？请看：

  • 前面我们定义过 hmin(S)为集合S中具有最小哈希值的一个元素，那么我们也可以定义hmink(S)为集合S中具有最小哈希值的K个元素。

  • 这样一来，我们就只需要对每个集合求一次哈希，然后取最小的K个元素。计算两个集合A、B的相似度，就是集合A中最小的K个元素与集合B中最小的K个元素的交集个数与并集个数的比例。