问题是：我有一组文本文档，我想选择与输入文件最相似的一个。输入的文本文档可以完全匹配或部分修改。该算法必须非常快。
目前，我发现 simhash 从收集文件中获取指纹。有没有其他算法可以做同样的事情？
问问题
2041 次
2 回答
2
LSH（局部敏感散列）技术是通用的索引方法。它们在寻找近似最近邻居方面非常有效。
SimHash 是 LSH 的一种散列算法。它在实值数据上使用余弦相似度。
MinHash 是 LSH 的另一种散列算法。它计算二元向量的相似度。
海量数据集的挖掘，Anand Rajaraman 和 Jeff Ullman 第 3 章。很好地介绍了问题空间，尤其是 MinHash。
于 2014-12-30T00:41:23.717 回答
1
你试过 LSH（局部敏感哈希）技术吗
于 2011-08-06T06:13:34.030 回答