哈希算法和哈希学习分类

哈希

1.先来了解一下Hash的基本思路：
设要存储对象的个数为num, 那么我们就用len个内存单元来存储它们(len>=num); 以每个对象ki的关键字为自变量，用一个函数h(ki)来映射出ki的内存地址，也就是ki的下标，将ki对象的元素内容全部存入这个地址中就行了。这个就是Hash的基本思路。
Hash为什么这么想呢？换言之，为什么要用一个函数来映射出它们的地址单元呢？
This is a good question.明白了这个问题，Hash不再是问题。下面我就通俗易懂地向你来解答一下这个问题。
现在我要存储4个元素 13 7 14 11
显然，我们可以用数组来存。也就是：a[1] = 13; a[2] = 7; a[3] = 14; a[4] = 11;
当然，我们也可以用Hash来存。下面给出一个简单的Hash存储：
先来确定那个函数。我们就用h(ki) = ki%5;(这个函数不用纠结，我们现在的目的是了解为什么要有这么一个函数)。
对于第一个元素 h(13) = 13%5 = 3; 也就是说13的下标为3；即Hash[3] = 13;
对于第二个元素 h(7) = 7 % 5 = 2; 也就是说7的下标为2; 即Hash[2] = 7;
同理，Hash[4] = 14; Hash[1] = 11;
好了，存现在是存好了。但是，这并没有体现出Hash的妙处，也没有回答刚才的问题。下面就来揭开它神秘的面纱吧。
现在我要你查找11这个元素是否存在。你会怎么做呢？当然，对于数组来说，那是相当的简单，一个for循环就可以了。
也就是说我们要找4次。
下面我们来用Hash找一下。
首先，我们将要找的元素11代入刚才的函数中来映射出它所在的地址单元。也就是h(11) = 11%5 = 1 了。下面我们来比较一下Hash[1]?=11, 这个问题就很简单了。也就是说我们就找了1次。这个就是Hash的妙处了。至此，刚才的问题也就得到了解答。至此，你也就彻底的明白了Hash了。
接下来讲hash冲突的解决：
http://blog.sina.com.cn/s/blog_6fd335bb0100v1ks.html
当关键字集合很大时，关键字值不同的元素可能会映象到哈希表的同一地址上，即 k1≠k2 ，但 H（k1）=H（k2），这种现象称为冲突，此时称k1和k2为同义词。实际中，冲突是不可避免的，只能通过改进哈希函数的性能来减少冲突。
综上所述，哈希法主要包括以下两方面的内容：
 1）如何构造哈希函数
 2）如何处理冲突。
2.   哈希函数的构造方法
    构造哈希函数的原则是：①函数本身便于计算；②计算出来的地址分布均匀，即对任一关键字k，f(k) 对应不同地址的概率相等，目的是尽可能减少冲突。
下面介绍构造哈希函数常用的五种方法。
2.1． 数字分析法
      如果事先知道关键字集合，并且每个关键字的位数比哈希表的地址码位数多时，可以从关键字中选出分布较均匀的若干位，构成哈希地址。例如，有80个记录，关键字为8位十进制整数d₁d₂d₃…d₇d₈，如哈希表长取100，则哈希表的地址空间为：00~99。假设经过分析，各关键字中 d₄和d₇的取值分布较均匀，则哈希函数为：h(key)=h(d₁d₂d₃…d₇d₈)=d₄d₇。例如，h(81346532)=43，h(81301367)=06。相反，假设经过分析，各关键字中 d₁和d₈的取值分布极不均匀， d₁ 都等于5，d₈ 都等于2，此时，如果哈希函数为：h(key)=h(d₁d₂d₃…d₇d₈)=d₁d₈，则所有关键字的地址码都是52，显然不可取。
2.2． 平方取中法
当无法确定关键字中哪几位分布较均匀时，可以先求出关键字的平方值，然后按需要取平方值的中间几位作为哈希地址。这是因为：平方后中间几位和关键字中每一位都相关，故不同关键字会以较高的概率产生不同的哈希地址。
例：我们把英文字母在字母表中的位置序号作为该英文字母的内部编码。例如K的内部编码为11，E的内部编码为05，Y的内部编码为25，A的内部编码为01, B的内部编码为02。由此组成关键字“KEYA”的内部代码为11052501，同理我们可以得到关键字“KYAB”、“AKEY”、“BKEY”的内部编码。之后对关键字进行平方运算后，取出第7到第9位作为该关键字哈希地址，如图8.23所示。
 

关键字	内部编码	内部编码的平方值	H(k)关键字的哈希地址
KEYA	11050201	122157778355001	778
KYAB	11250102	126564795010404	795
AKEY	01110525	001233265775625	265
BKEY	02110525	004454315775625	315

图8.23平方取中法求得的哈希地址
 
2.3． 分段叠加法
 
      这种方法是按哈希表地址位数将关键字分成位数相等的几部分（最后一部分可以较短），然后将这几部分相加，舍弃最高进位后的结果就是该关键字的哈希地址。具体方法有折叠法与移位法。移位法是将分割后的每部分低位对齐相加，折叠法是从一端向另一端沿分割界来回折叠（奇数段为正序，偶数段为倒序），然后将各段相加。例如：key=12360324711202065,哈希表长度为1000，则应把关键字分成3位一段，在此舍去最低的两位65，分别进行移位叠加和折叠叠加，求得哈希地址为105和907，如图8.24所示。
 
1   2   3                    1   2   3
 
6   0   3                    3   0   6
 
2   4   7                    2   4   7
 
1   1   2                    2   1   1
 
+）   0   2   0               +）  0   2   0
 
        ————————            —————————
 
        1   1   0   5                    9   0   7
 
（a）移位叠加                    (b) 折叠叠加
 
                      图8.24 由叠加法求哈希地址
2.4． 除留余数法
 
假设哈希表长为m，p为小于等于m的最大素数，则哈希函数为
 
h（k）=k  %  p ，其中%为模p取余运算。
 
例如，已知待散列元素为（18，75，60，43，54，90，46），表长m=10，p=7，则有
 
    h(18)=18 % 7=4    h(75)=75 % 7=5    h(60)=60 % 7=4   
 
    h(43)=43 % 7=1    h(54)=54 % 7=5    h(90)=90 % 7=6   
 
    h(46)=46 % 7=4
 
此时冲突较多。为减少冲突，可取较大的m值和p值，如m=p=13，结果如下：
 
    h(18)=18 % 13=5    h(75)=75 % 13=10    h(60)=60 % 13=8    
 
    h(43)=43 % 13=4    h(54)=54 % 13=2    h(90)=90 % 13=12   
 
    h(46)=46 % 13=7
 
此时没有冲突，如图8.25所示。
0      1      2     3     4     5      6     7     8     9     10     11    12
 
 
 

54

43

18

46

60

75

90

 
                      图8.25  除留余数法求哈希地址
 
 
 
2.5． 伪随机数法
 
    采用一个伪随机函数做哈希函数，即h(key)=random(key)。
 
在实际应用中，应根据具体情况，灵活采用不同的方法，并用实际数据测试它的性能，以便做出正确判定。通常应考虑以下五个因素 ：
 
l         计算哈希函数所需时间 （简单）。
 
l         关键字的长度。
 
l         哈希表大小。
 
l         关键字分布情况。
 
l         记录查找频率
 
3.   处理冲突的方法
 
   通过构造性能良好的哈希函数，可以减少冲突，但一般不可能完全避免冲突，因此解决冲突是哈希法的另一个关键问题。创建哈希表和查找哈希表都会遇到冲突，两种情况下解决冲突的方法应该一致。下面以创建哈希表为例，说明解决冲突的方法。常用的解决冲突方法有以下四种：
 
3.1.         开放定址法
 
这种方法也称再散列法，其基本思想是：当关键字key的哈希地址p=H（key）出现冲突时，以p为基础，产生另一个哈希地址p1，如果p1仍然冲突，再以p为基础，产生另一个哈希地址p2，…，直到找出一个不冲突的哈希地址pi ，将相应元素存入其中。这种方法有一个通用的再散列函数形式：
 
          Hi=（H（key）+d_i）% m   i=1，2，…，n
 
    其中H（key）为哈希函数，m 为表长，d_i称为增量序列。增量序列的取值方式不同，相应的再散列方式也不同。主要有以下三种：
 
l         线性探测再散列
 
    d_ii=1，2，3，…，m-1
 
这种方法的特点是：冲突发生时，顺序查看表中下一单元，直到找出一个空单元或查遍全表。
 
l         二次探测再散列
 
    d_i=1²，-1²，2²，-2²，…，k²，-k²    ( k<=m/2 )
 
    这种方法的特点是：冲突发生时，在表的左右进行跳跃式探测，比较灵活。
 
l         伪随机探测再散列
 
    d_i=伪随机数序列。
 
具体实现时，应建立一个伪随机数发生器，（如i=(i+p) % m），并给定一个随机数做起点。
 
例如，已知哈希表长度m=11，哈希函数为：H（key）= key  %  11，则H（47）=3，H（26）=4，H（60）=5，假设下一个关键字为69，则H（69）=3，与47冲突。如果用线性探测再散列处理冲突，下一个哈希地址为H1=（3 + 1）% 11 = 4，仍然冲突，再找下一个哈希地址为H2=（3 + 2）% 11 = 5，还是冲突，继续找下一个哈希地址为H3=（3 + 3）% 11 = 6，此时不再冲突，将69填入5号单元，参图8.26 (a)。如果用二次探测再散列处理冲突，下一个哈希地址为H1=（3 + 1²）% 11 = 4，仍然冲突，再找下一个哈希地址为H2=（3 - 1²）% 11 = 2，此时不再冲突，将69填入2号单元，参图8.26 (b)。如果用伪随机探测再散列处理冲突，且伪随机数序列为：2，5，9，……..，则下一个哈希地址为H1=（3 + 2）% 11 = 5，仍然冲突，再找下一个哈希地址为H2=（3 + 5）% 11 = 8，此时不再冲突，将69填入8号单元，参图8.26 (c)。
 
0        1       2      3      4      5       6      7      8       9      10    
 
 
 

47

26

60

69

 
         （a） 用线性探测再散列处理冲突
 
 
0        1       2      3      4      5       6      7      8       9      10    
 
 

69

47

26

60

 
         （b） 用二次探测再散列处理冲突
 
 
0        1       2      3      4      5       6      7      8       9      10    
 
 

47

26

60

69

 
         （c） 用伪随机探测再散列处理冲突
 
                      图8.26开放地址法处理冲突
 
从上述例子可以看出，线性探测再散列容易产生“二次聚集”，即在处理同义词的冲突时又导致非同义词的冲突。例如，当表中i, i+1 ,i+2三个单元已满时，下一个哈希地址为i, 或i+1 ,或i+2，或i+3的元素，都将填入i+3这同一个单元，而这四个元素并非同义词。线性探测再散列的优点是：只要哈希表不满，就一定能找到一个不冲突的哈希地址，而二次探测再散列和伪随机探测再散列则不一定。
 
3.2.         再哈希法
 
    这种方法是同时构造多个不同的哈希函数：
 
    H_i=RH₁（key）  i=1，2，…，k
 
当哈希地址H_i=RH₁（key）发生冲突时，再计算H_i=RH₂（key）……，直到冲突不再产生。这种方法不易产生聚集，但增加了计算时间。
4.hash 操作
   a.增加
     my %hash; //定义
　　第一种写法：$hash{'author'}="Young";  #author 是关键字，Young 是value     与数组一样，hash作为整体时候是这样%hash 带标示符%，作为单个元素使用要使用$而不是%
     第二种写法： my %food=('fruit',"apple",'drink',"Coco");         #类似数组初始化 注意这里使用的是( )不是{}  {},用了它实际就是创建了一个引用，正确的就是(),圆括号否则会报 Reference found where even-sized list expected at hash.pl line 4.
　  第三种写法：my %fruit=(apple=>"fruit",banana=>'fruit');    #     =>是perl运算符，用于hash    
   b.使用hash值
       单个使用：$hash{'author'};         #       $哈希名{$keyword}
       全部使用：foreach $key (keys %food) 
                      {   
                                  print  print "$key=>$food{$key}\n";     #使用keys %food 遍历%food的每一个关键字
                           }      
       获取所有的key：my  @key=keys %fruit;
       获取所有的value:  my @value=values  %fruit;                                           
3.hash 函数 exists 和delete
   判断 某个关键字是否存在 exists $hash{'auther'}
   删除某个关键字 delete %hash{$keyword}
   删除整个hash %hash=();
 
 
实例

#!/usr/bin/perl -w my %hash; $hash{'author'}="Young"; my %food=('fruit',"apple",'drink',"Coco"); my %fruit=(apple=>"fruit",banana=>'fruit'); print "$hash{'author'}\n"; foreach $key (keys %food) {         print "$key=>$food{$key}\n"; } my  @key=keys %fruit; my @value=values %fruit; print @key; print @value; print "\n"; print "auther is exists\n" if(exists $hash{'auther'}); delete $food{'drink'}; print "after delete some keyword print \%food\n"; while((my $key,my $value)=each%food) {         print "$key=>$value\n"; }

 
 
结果：
/home/Young> perl hash.pl   
Young
fruit=>apple
drink=>Coco
bananaapplefruitfruit
after delete some keyword print %food
fruit=>apple

 哈希学习

一、背景介绍

1、首先介绍一下最近邻搜索：最近邻搜索问题，也叫相似性搜索，近似搜索，是从给定数据库中找到里查询点最近的点集的问题。 

给定一个点集，以及一个查询点q，需要找到离q最近的点的集合；在大规模高维度空间的情况下，这个问题就变得非常难，而且大多数算法计算量极大，复杂度很高； 而且一般用近似的最邻近搜索代替；哈希就是解决上述这类问题的主要方法;

二、哈希学习的目的及分类

哈希学习的目的：通过机器学习机制将数据映射成简洁的二进制串的形式, 同时使得哈希码尽可能地保持原空间中的近邻关系, 即保相似性.（这一点很重要，如果失去了原来的相似性，那么哈希学习也就变得没有意义了） 
以下面这幅图为例，原始数据是三幅图像，其中后面这两幅相似度比较高，也就是说在原始空间中从语义层次的距离或者欧氏距离都比较近，映射为哈希码之后，距离也应该更近。 

分类：关于哈希的方法主要分为两大类：1、第一种的代表是局部敏感哈希，这种方法主要是人工设计或者随机生成哈希函数，是一种数据独立的方法； 
2、第二种是哈希学习的方法，希望从数据中自动学习出哈希函数，是一种数据依赖的方法；也是现在主流的方法； 
显然第二种具有数据依赖性，是一种更有适应性的方法。

三、哈希学习的一般步骤

第一步,：先对原空间的样本进行降维, 得到1个低维空间的实数向量表示; 
第二步：对得到的实数向量进行量化(即离散化)得到二进制哈希码；

对于第一步如何降维，我们这里不再做介绍，下面主要介绍一下量化的方法。

四、量化方法

目的：对于一个低维向量把它映射为一个二进制哈希码，并且尽可能的保持原来的相似性。 
1、SBQ 
介绍：对于给出向量的每一个维度的数值，我们设定一个阈值。然后根据这个维度数值的情况与阈值作比较，确定其映射的二进制数是2还是1。之后我们把每个维度映射出的二进制数串起来组成哈希码。 

举例： 
比如某一向量为[4,3,7,8],我们设定阈值为5，并且>=5为1，反之为0. 
那么该向量对应的二进制哈希码为0011.

相似性的衡量方法：对于映射好的哈希码如何衡量他们之间的相似度呢？我们采用汉明距离来衡量（二进制对应位不同的个数，比如0011与0000的汉明距离是2）

2、HQ 
跟SBQ比较类似，是将每一个维度划分为四个区域，使用三个阈值和两位二进制码来编码； 

相似性的衡量方法：也是采用汉明距离来衡量。