我正在尝试使用shingleprinting来衡量文档的相似性。该过程包括以下步骤：
positive_examples / total examples作为相似性度量步骤3涉及生成非常长序列的随机排列。使用Knuth-shuffle似乎是不可能的。这有什么捷径吗？请注意，最后我们只需要生成排列的单个元素。
答案 0 :(得分：3)
警告：我对此并不是100％肯定，但我已经阅读了一些论文，我相信这是它的工作原理。例如，在Piotr Indyk的“一个小的近似独立的散列函数族”中，他写道：“在与Altavista集成的实现中，集合H被选择为成对独立的散列函数族。”
在第3步中，实际上并不需要[n]上的随机排列（从1到n的整数）。事实证明，成对独立的散列函数在实践中有效。所以你要做的是选择一个成对独立的散列函数h。然后将h应用于每个木瓦哈希。您可以在步骤4中获取这些值的最小值。
标准的成对独立散列函数是h（x）= ax + b（mod p），其中a和b是随机选择的，p是素数。
参考文献：http://www.cs.princeton.edu/courses/archive/fall08/cos521/hash.pdf和http://people.csail.mit.edu/indyk/minwise99.ps