基于局部敏感哈希 LSH 的近似最近邻查找库 LSHBOX 的简单介绍

最新推荐文章于 2024-04-19 23:50:41 发布
最新推荐文章于 2024-04-19 23:50:41 发布
阅读量4.5k 收藏 2
点赞数 2
分类专栏： Library 文章标签： 局部敏感哈希 LSH 近似最近邻查找 C++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/subtang/article/details/37873685
版权

Locality-Sensitive Hashing (LSH) 是一种用于快速解决高维空间内近似最近邻查找的算法，基于该算法思想和相关文献，并参照 Wei Dong 所实现的 lshkit , 实现了一个近似最近邻查找库 LSHBOX , 该库支持 Linux , windows 和 mac 等多种操作系统以及  C , C++ , MATLAB 和 Python 等多种编程语言，可利用 CMake 进行编译。


LSHBOX 所实现的 LSH 算法有：

最低0.47元/天 解锁文章
prime_tang
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
最近邻搜索神器——一文读懂局部敏感哈希LSH原理
Marcus-Bao的个人主页
07-07 888
什么是LSH? LSH主要用来解决高维空间中点的近似最近邻搜索问题,即Approximate Nearest Neighbor(ANN)。 在实际的应用中我们所面对的数据是海量的,并且有着很高的维度。在对数据的各种操作中,查询操作是最常见的一种,这里的查询是指输入一个数据,查找与其相似的数据,那么怎样快速从海量高维数据中找到与某个数据最相似的数据,成为了一个难点。 传统的哈希算法通过哈希函数建立哈希表,由哈希表我们能够得到O(1)的查找时间性能,传统哈希算法的关键在于,找到合适的哈希函数,将原始数据映射到相
LSH资料ppt_pdf
01-06
包含有LSH(Locality Sensitive Hashing)的一些资料，如经典论文，相关ppt。
LSHKIT库相关资源
卖油翁
10-08 1878
原始代码及数据主页 http://www.cs.princeton.edu/cass/software.htm windows下安装lshkit http://blog.sina.com.cn/s/blog_682b828701017h3l.html  //LSHkit编译和使用 http://www.7dim.com/?m=20101006  //这里有编译好的可执行文件
【Python】如何利用MinHash和LSH进行大规模文本数据去重
最新发布
2333333
04-19 660
通过MinHash和LSH，我们能够有效地在没有数据库支持的情况下处理和去重大量文本数据。这种方法特别适合处理语义上相似的文本，而不仅仅是字面上完全相同的文本。使用这种方法可以显著提高数据处理的效率和准确性。
python实现e2lsh高维数据集k近邻搜索——实现流程
Return__None的博客
06-08 1712
lsh学习链接： LSH(Locality Sensitive Hashing)原理与实现 对高维数据查询最近邻，推荐使用p-stable LSH，minLSH是针对文档查询最近邻得方法； python学习与使用： python入门之类 常用函数： random.gauss(mu, sigma)：均值为mu且标准偏差为sigma的高斯分布 random.uniform(x, y)：将随机生成下一个实数，它在 [x, y] 范围内。 numpy.inner()：返回一维数组的向量内积。对于更高的维度，它返回.
E2LSH源代码
08-01
E2LSH的源代码，p稳定分布LSH 用于大规模的图片检索
LSH_Memory:使用最近邻居搜索（NNS）和位置敏感哈希LSH的一键式学习
05-18
接下来，位置敏感哈希（LSH）是一种高效的近似最近邻搜索技术。LSH通过将高维数据投影到低维哈希空间，使得相似的数据更可能拥有相同的哈希值。这种方法大大降低了数据搜索的时间复杂度，尤其适用于大数据集。LSH的...
LSH 局部敏感哈希算法
01-15
这种概率性质使得LSH成为解决“近似最近邻”（Approximate Nearest Neighbor, ANN）问题的有效工具，尤其在图像识别、文本相似度分析、推荐系统等领域有广泛应用。 LSH算法的核心思想可以分为以下几个步骤： 1. **...
lsb.zip_LSBtree_局部敏感_局部敏感哈希
09-23
局部敏感哈希（LSH，Local Sensitive Hashing）是一种在大数据集中快速查找相似数据的高效算法，尤其在近似最近邻搜索（Approximate Nearest Neighbor, ANN）问题上表现优秀。它通过将高维数据投影到低维空间，使得...
kmeans-lsh:使用局部敏感哈希的k-means实现
04-07
这种方法在大数据搜索、近似最近邻查找等领域有着广泛的应用。 在Java中实现k-means与LSH的结合，首先需要理解k-means的基本流程：初始化聚类中心、分配数据点、更新聚类中心以及判断是否收敛。而引入LSH后，可以在...
基于局部敏感哈希的隐私保护实时服务推荐.pdf
11-29
局部敏感哈希（LSH）是一种用于近似最近邻搜索的技术，它的核心思想是将高维数据转换成低维哈希编码，使得相似的项有更高的概率碰撞到同一个哈希桶中。在服务推荐系统中，LSH可以用来快速过滤掉大部分不相似的项目，...
LSH算法详解（Locality-Sentitive Hashing）
03-05
算法思想：将高维空间中的元素视为点并赋以坐标值，坐标值为正整数。通过一族哈希函数将空间所有点映射到n个哈希表中，n=||，即每个哈希函数f对应一个哈希表，每个哈希表都存放着空间所有的点。对于给定的查询子q，分别计算、、…、，，i=1,2,…,n 。以所有落入的哈希表中的桶中所有点作为候选集，比较其与q之间的距离，选出距离最近的K个点（K-NNS）
LSH（局部敏感哈希）
07-03
Learning to Hash with its Application to Big Data Retrieval 是课程结课作业，简单的介绍了LSH（局部敏感哈希） 主要分以下几部分内容 1.Nearest Neighbor Search (Retrieval) 2.Two Stages of Hash Function Learning 3.Hash Fuction 4.LSH 5.Application 6.Evaluation
基于哈希的图像检索（LSH，ITQ）matlab代码
04-13
哈希图像检索，包括LSH以及ITQ两种算法。之前帮网友做的，顺带分享一下。
一种面向快速图像匹配的扩展LSH算法 (2010年)
05-31
基于局部不变特征的图像匹配是三维场景重建的基础．本文使用SIFT特征,在LSH算法基础上,提出一种改进的高维数据搜索算法,较好地解决了图像的快速有效匹配问题．该算法提出一种改进的投影空间,使投影到新空间的高维数据特征的每一维比海明空间具有更高的局部敏感性,相比于经典的LSH,BBF,iDistance等高维搜索算法,本文算法可以获得更高的搜索精度和更快的搜索速度．
ITQ(Iterative Quantization)图像检索算法
人工智能讲师团
07-05 5022
开发十年，就只剩下这套Java开发体系了 >>>    ...
matlab lsh,基于哈希的图像检索（LSH，ITQ）matlab代码
weixin_31727797的博客
03-22 548
【实例简介】哈希图像检索，包括LSH以及ITQ两种算法。之前帮网友做的，顺带分享一下。【实例截图】【核心代码】myprojects└── myprojects├── demo1_data_visualization.m├── demo2_gist_visualization.m├── demo3_gist_extraction.m├── demo4_data_process.m├── demo5_...
Locality Sensitive Hashing(LSH)之随机投影法
wejoncy的专栏
10-15 4825
 http://www.strongczq.com/2012/04/locality-sensitive-hashinglsh%E4%B9%8B%E9%9A%8F%E6%9C%BA%E6%8A%95%E5%BD%B1%E6%B3%95.html 1. 概述 LSH是由文献[1]提出的一种用于高效求解最近邻搜索问题的Hash算法。LSH算法的基本思想是利用一个hash函数把集合中的元素映射
BOW和LSH的一点理解
blog
06-05 8025
本文主要讨论为什么当前流行的检索方法仍然是BOW。
LSH局部敏感哈希和min哈希
07-28
LSH（Locality Sensitive Hashing）局部敏感哈希min-hash（最小哈希）都是用于近似近邻搜索的算法。...LSH局部敏感哈希和min-hash最小哈希都是近似最近邻搜索的有效方法，具体的应用取决于问题的特点和数据的特征。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值