论文SK-LSH相关参考

NN-search

• 最近邻检索（Nearest Neighbor Search）的简单综述
  https://blog.csdn.net/lovego123/article/details/67638789

LSH

• 关于c-ANN https://blog.csdn.net/qq_26304333/article/details/70486035
• LSH(Locality Sensitive Hashing)原理与实现 https://blog.csdn.net/guoziqing506/article/details/53019049
• 数据相似性的度量方法总结 https://blog.csdn.net/guoziqing506/article/details/51779536
• 【E2LSH源码分析】p稳定分布LSH算法初探 https://blog.csdn.net/jasonding1354/article/details/38237353
• Locality Sensitive Hashing ( LSH，局部敏感哈希 ) 详解(转) http://blog.sina.com.cn/s/blog_4ff49c7e0102vl52.html

sk-LSH

（1）LSH：局部敏感HASH具有保距性，能高概率的将距离接近的数据映射为相同的hash值

改进的LSH方案：LSB,C2LSH,最近的是SortingKeys-LSH（Design by刘英帆），方案的思想是：

1）定义组合hash值间距离的度量规则

2）创建一个基于组合Hash值得顺序关系

3）依据上一步的顺序关系对数据点进行排序

4）彼此接近的数据点会被存到同一个索引文件中，这样可以减少检索时要访问的索引文件数量

SK-LSH的问题在于索引文件是本地存储，所以需要改进到支持云存储，即数据外包。

【方案设计】

（1）数据排序：采用SK-LSH局部敏感hash

1）组合hash值：对数据集中的一个数据点p（如一个视频K），它的组合hash值是：K=G§=(k1,k2,…,ki)=(hash1§,hash2§,…,hashi§)；一组hash函数。

2）K的前L个元素称为k的（长度为L的）前缀，pref(K,L)

3）两个数据点p1,p2对应各自的组合hash值K1,K2，它们的L长前缀相等，他们的L+1长前缀不等，那么K1、K2的非前缀长度为：KL(K1，K2)=m-L

4）K1和K2的第L+1个元素间的距离被定义为：KD(K1,K2)=|k(1,l+1)-k(2,l+1)|

5）两个组合hash值得距离：dist(K1,K2)=KL(m-L)+KD(K1,K2)/C（C是一个标准因子）

6）对K1、K2等数据集中的所有点K按照上面规则排序

结论：if Ki

• 高维数据密文检索论文阅读 https://cloud.tencent.com/developer/news/224995