網上講lsh這個很多，但是我就沒找到有人講清楚了的，於是寫下這篇文字
這個鏈結是一知乎大神的對shingling，min-hash和lsh的理解性講解
前面很容易懂，唯獨lsh，讓人看不懂，我也看了他推薦的鏈結，有篇英文pdf講的這個。
看了幾遍，就是沒說破lsh怎麼用，就在講特異度和敏感度的問題。
其實就很簡單，過程如下。
資料，有10萬文件
對這十萬文件進行shingling，可以是n-gram取字串分片，也可以是分詞，就是粒度化。
建立0-1矩陣，行就是所有文件粒度化的字串去重排序的集合，列是各篇文件。
min-hash，進行降維，自己建立100個hash，然後對行序號計算hash值，最後計算min-hash,不太明白min-hash的看前面的鏈結。
得到hash方法集合和文件的矩陣，行數變少了，文件數沒變，文件數也不能變，所以還是只有變行數，於是就有了lsh。
把行均勻分成多塊，也就是幾個hash方法一組，這樣就有多組了，計算lsh時，就選一組就可以了，計算量就小了。前面文件是解釋怎麼選擇分多少組，讓誤差小。buckets似乎沒什麼用。
區域性敏感雜湊LSH
參考資料 簡單介紹 在茫茫人海中發現相似的你 區域性敏感雜湊 lsh 基本思想 區域性敏感雜湊的基本思想類似於一種空間域轉換思想，lsh演算法基於乙個假設，如果兩個文字在原有的資料空間是相似的，那麼分別經過雜湊函式轉換以後的它們也具有很高的相似度 相反，如果它們本身是不相似的，那麼經過轉換後它們應仍...
區域性敏感雜湊演算法
該演算法是一種衡量文字相似度的演算法，下面介紹一下這個演算法的主要思想。假設我們有三段文字 1，我愛你中國。2，我愛北京天安門。3，我愛吃蘋果 一，分詞，形成如下矩陣 文字 1 文字 2 文字 3 我 1 1 1 愛 1 1 1 你 1 0 0 中國 1 0 0 北京 0 1 0 天安門 0 1 0...
區域性敏感雜湊 原始LSH C 實現
之前專案中用到lsh演算法來做特徵檢索，對lsh演算法很好奇，最近看了lsh的 依照自己的理解，初步寫了lsh 測試效果不是特別理想，引數的選擇也基本靠嘗試，姑且先把 放上來，之後再改進吧 2016.01.24 include include include include using namesp...