搜索汉明距离小于阈值的字符串

Question

目前我在一个应用程序上工作，我有大量的哈希值（字符串） 当给出查询哈希值（字符串）时，搜索过程将遍历这些字符串并返回查询字符串与结果字符串之间的Hamming Distance小于给定阈值的字符串。

• 哈希值是不是二进制字符串。例如＆＃34; 1000302014771944008＆＃34;
• 所有哈希值（字符串）具有相同的固定长度。
• 阈值不小（通常为t>25）且可以变化。

我想使用有效的算法而不是使用蛮力方法来实现此搜索过程 我已经阅读了一些研究论文（如this＆amp; this），但它们用于二进制字符串或低阈值。我也试过Locality-sensitive hashing，但我发现的实现都集中在二进制字符串上。

是否有任何算法或数据结构可以解决这个问题？ 任何建议也欢迎。提前谢谢。

其他信息

Hamming非二进制字符串之间的距离

string 1: 0014479902266110001131133
string 2: 0014409902226110001111133
          -------------------------
               1     1        1    = 3 <-- hamming distance

考虑蛮力方法

1. 计算第一个哈希字符串与查询哈希字符串之间的汉明距离。
2. 如果汉明距离小于阈值，则将哈希字符串添加到结果列表中。
3. 对所有哈希字符串重复步骤1和2.

Answer 1

阅读论文的第7部分：

＆＃34; HmSearch：一种高效的汉明距离查询处理算法＆＃34;。

d-query问题的最新结果可以在以下网址找到：

＆＃34;字典匹配和索引错误而不关心＆＃34;，它使用空间O（n * log）解决时间O（m + log（nm）^ d + occ）中的d查询问题（nm）^ d），其中 occ是查询结果的数量。

如果阈值不小，则可以在HmSearch上找到二进制字符串的实用解决方案。

我认为可以在HmSearch上使用相同的实用解决方案来处理任意字符串，但我从未见过这些解决方案。

Answer 2

这样的事情对你有用。

http://blog.mafr.de/2011/01/06/near-duplicate-detection/