放大位置敏感的哈希值

Question

我正在尝试构建余弦位置敏感哈希，因此我可以找到候选项类似的项目对，而无需比较每个可能的对。我有它基本上工作，但我的数据中的大多数对似乎在-0.2到+0.2范围内具有余弦相似性所以我试图非常精细地切割它并选择具有0.1及以上余弦相似度的东西。

我一直在阅读Mining Massive Datasets chapter 3。这涉及通过放大地方敏感家庭来提高候选对选择的准确性。我想我只是理解数学解释，但我很难看到我实际上是如何实现它的。

到目前为止我所拥有的内容如下

1. 我说有1000部电影，每部电影都有1M级用户的评分。每部电影都由稀疏的用户分数向量表示（行号=用户ID，值=用户的分数）
2. 我构建了N个随机向量。矢量长度与电影矢量的长度（即用户数）相匹配。矢量值为+1或-1。我实际上将这些向量编码为二进制以节省空间，其中+1映射为1，-1映射为0
3. 我通过拍摄电影的点积和N个随机向量中的每一个来构建每个电影的草图向量（或者更确切地说，如果我通过水平放置N个随机向量并将它们叠加在一起来创建矩阵R然后电影m的草图是R * m），然后在结果向量中取每个元素的符号，所以我以+ 1s和-1s的每个电影结束草图向量，我再次编码为二进制。每个向量的长度为N位。
4. 接下来，我通过执行以下操作来查找类似的草图
   1. 我将草图矢量分成r个b波段
   2. 每个r比特带都是一个数字。我将该数字与乐队编号组合在一起，并将电影添加到该编号下的哈希桶中。每部电影都可以添加到多个存储桶中。
   3. 然后我看看每个桶。同一个桶中的任何电影都是候选对。

将此与mm.3的3.6.3进行比较，我的步骤是当我查看r位的波段时 - 如果r位具有相同的值，则一对电影通过AND步骤。我的OR步骤发生在桶中：如果电影都在任何桶中，则电影是候选对。

这本书建议我可以通过添加更多的AND和OR步骤来“放大”我的结果，但是我实际上不知道如何做到这一点，因为对于更多层的构造过程的解释是在成对检查方面平等，而不是提出桶数。

任何人都可以帮我理解如何做到这一点吗？