斯坦福数据挖掘不同版本课件讲局部敏感哈希中MinHash的理解

最新推荐文章于 2023-01-03 21:14:05 发布
最新推荐文章于 2023-01-03 21:14:05 发布
阅读量1.6k 收藏 2
点赞数
分类专栏： 数据挖掘笔记 文章标签： 数据挖掘 MinHash 局部敏感哈希 课件版本
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/xiaopangxia/article/details/49643283
版权
本文探讨了斯坦福数据挖掘课程中关于局部敏感哈希（LSH）和MinHash的不同解释，特别是在不同版本课件中的差异。通过分析2011年、2014年和2015年版本的课件，作者指出15年版本中MinHash处理Input matrix的方式与早期版本不同，并解释了这种变化的原因。尽管存在差异，但两种方法都被证明是等价的，关键是保持Locality-Sensitive Hashing的特性。
摘要由CSDN通过智能技术生成

        今天学习局部敏感哈希，看斯坦福的课件，他在讲将7维Input matrix (Shingles x Documents)用MinHash处理成3维Signature matrix 时那一步里面结果怎么也对不上，就是这张熟悉的图：

描述是这样的：

        我解读的应该是置换后一列中第一个是1的那行的行号，这样理解没什么问题吧，可是右边那个3*3的结果的表里咋没几个数对的上呢。

        查了网上很多地方介绍这一步的时候都是我这么理解的，而他们用的材料大多是下面这版：

最低0.47元/天 解锁文章
nankaizhl
关注
专栏目录
【算法】局部敏感哈希 LSH 的 Python 实现
qq_36643449的博客
05-20 5637
一、哈希算法 普通的哈希算法：把任意长度的输入通过散列算法变换成固定长度的输出，该输出就是散列值。 最理想的是所有不同的输入都可以映射到散列值，但是存在这种可能性的。当不同的输入映射到相同的散列值时，就称为碰撞冲突。 哈希算法是要避免碰撞冲突，而局部敏感哈希(Locality-Sensitive Hashing, 下面我们简称LSH)则相反，是要创造更多的碰撞冲突。 二、局部敏感哈希 在很多领域中，经常会使用最近邻查找，例如人脸匹配、指纹匹配等，输入一个人脸数据（一般对应一个向量），然后跟数据库中的所有人脸
局部敏感哈希，standford 课件
05-28
这个是standford 关于局部敏感哈希的课件。主要就是介绍了什么是局部敏感hash，minhash 的主要思想，以及相应的算法，怎么生成signature matrix 的基本算法，以及相关的运用。
新书上市 | 世界名校数据挖掘经典《斯坦福数据挖掘教程（第3版）》
图灵教育
04-28 1175
题图| 作者为Scott Ullman《斯坦福数据挖掘教程（第3版）》上架之后，这是我们第一次整篇文章介绍这本书。这本书相当受欢迎（前两个版本累计销量超过 5 万册），尤其是受学校青...
斯坦福大学CS246 海量数据挖掘 课程所有课件(pdf+ppt)
03-20
Mining Massive Data Sets 斯坦福大学CS246 海量数据挖掘 课程所有课件(pdf+ppt)
斯坦福大学CS345A 数据挖掘 课程所有课件(pdf+ppt)
03-20
斯坦福大学CS345A 数据挖掘 课程所有课件(pdf+ppt) 课程 ：Stanford CS345A: Data Mining
数据挖掘-斯坦福大学公开课-笔记
huangleijay的专栏
09-11 1045
上它的地址：http://v.163.com/special/opencourse/machinelearning.html 第一课： 监督学习： 比如一组癌症数据，拿到数据的时候我就知道它是正常的基因还是癌症基因，然后分类的时候我能正确的，我能将一个数据映射到其中，并且根据其在哪个分类中作出判断此基因是正常的or癌症的--- 我目前做的实验大多数是这个，下载的数据都加上了标签！ 无监督学习：
中科院大数据系统与大规模数据集分析 大数据挖掘教程 2-LSH 挖掘海量数据集寻找相似项目：局部敏感哈希算法共126页.pptx
04-05
中科院大数据系统与大规模数据集分析 大数据挖掘教程 2-LSH 挖掘海量数据集寻找相似项目：局部敏感哈希算法共126页.pptx
multi-index-lsh:尝试在汉明空间中实现快速局部敏感哈希搜索的练习
07-14
局部敏感哈希（Locality Sensitive Hashing, LSH）是一种在大数据集上进行近似相似性搜索的有效方法，尤其适用于解决高维数据中的“近邻”查找问题。标题提到的"multi-index-lsh"是一个可能的Python实现，用于在汉明...
LSH局部敏感哈希的课件2
05-28
主要是讲LSH的第二部分，这一章节主要是讲局部敏感哈希的主要运用。
Mining of Massive Datasets, 英文原版，斯坦福CS246课程视频
04-28
Mining of Massive Datasets, 英文原版，斯坦福CS246课程视频
MinHashJava:MinHash技术的Java实现
05-14
minhash技术的Java实现，以查找集合之间的相似性。 根据上的代码进行的修改
斯坦福CS246《大数据挖掘》2022课程.rar
03-15
CS246: Mining Massive Data Sets Stanford / Winter 2022
斯坦福大学CS246课件
04-30
Introduction; MapReduce Frequent Itemsets Mining Locality-Sensitive Hashing I Locality-Sensitive Hashing II Clustering Dimensionality Reduction Recommender Systems I Recommender Systems II PageRank Link Spam and Introduction to Social Networks Social Networks: Community Detection and Trawling Algorithms on Large Graphs Large-Scale Machine Learning I Large-Scale Machine Learning II Mining Data Streams I Mining Data Streams II Computational Advertising Learning through Experimentation Optimizing Submodular Functions Review
simhash和minhash实现理解
weixin_30532837的博客
11-30 203
文本相似度算法 minhash minhash 1. 把文档A分词形成分词向量L 2. 使用K个hash函数，然后每个hash将L里面的分词分别进行hash，然后得到K个被hash过的集合 3. 分别得到K个集合中的最小hash，然后组成一个长度为K的hash集合 4. 最后用Jaccard index求出两篇文档的相似度 simhash 1. 把文档A分词形成分词向量L，L中的每一个元素都包...
将集合转成特征矩阵并且使用最小Hash算法构造签名矩阵
红豆和绿豆的博客
01-11 4140
2、如何计算集合的最小hash值呢？ 主要也是通过特征矩阵的变换进行计算 3、具体的使用最小hash算法，将一个特征矩阵进行压缩，即构造签名矩阵，签名矩阵的每一列是n个hash函数的值，并且近似估计原始数据的jaccard的值。 实际中是如何计算的呢？ （1）首先自己常见n个h（x）函数 ，并且计算出对于原始行的hash值 （2）h（x）作用于每一行，如果当前的值为0，什么都不做
文档的相似度（2）--最小哈希签名
陌上行走的博客
03-18 8030
打开
【机器学习】minHash最小哈希原理及其应用
最新发布
sxl的博客
01-03 7589
在数据结构中学过哈希概念以及哈希在内存中的应用，在实际的应用问题中哈希技术也应用十分广泛如在推荐系统以及图神经网络技术中，所以在此总结一下哈希的相关概念以及minHash以及其实际应用，其中多有参考别的文献内容，相关参考一并列在参考文献中。Hash（哈希），又称“散列”。散列（hash）英文原意是“混杂”、“拼凑”、“重新表述”的意思。
MinHash (最小哈希)
热门推荐
在路上的学习者
12-09 1万+
本文转自：http://1.cool.sinaapp.com/?p=893 minhash是判断文档相似的一种方法。这里结合一个具体的示例来简单过一下： 一、全集 ｛a,b,c,d,e｝，S1={a,d}, S2={c}, S3={b,d,e}, S4={a,c,d}。 具体含义：比如  S1,S2,S3,S4分别是4个文档，a,b,c,d,e可以是相应的文档特
高维数据中的近邻搜索：局部敏感哈希（LSH）详解
"局部敏感性哈希（LSH, Local Sensitive Hashing）是一种用于高维数据近似最近邻搜索的技术，广泛应用于大数据分析、文本挖掘、推荐系统、图像识别和网络行为分析等领域。这份PPT详细介绍了LSH的原理及其在实际问题...
评论
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