simhash更有利于minhash？

Question

我正在使用simhash，但也看到minhash更有效 但我不明白 请为我解释一下：simhash有什么更有利的minhash？

Answer 1

Simhash速度更快，通常比minhash具有更小的内存要求，但它受到的限制是它只能检测到非常接近的相似性。如果两个项目的差异超过少量，则不会检测到它们的相似性。另一方面，Minhash可用于检测甚至相当远的相似性，例如彼此仅具有5％相似性的项目。 Simhash的理解也有点复杂。

Minhash依赖于为每个项目生成多个哈希值，例如通常介于20到400个64位哈希之间。这些哈希都需要存储，以及它们所属项目的ID，通过哈希索引。要查找所有包含例如50％估计与给定项目的相似度，您必须找到共享至少50％给定项目哈希值的所有其他项目。这可能涉及枚举相当多的hash-itemID对。

另一方面，Simhash每个项目只使用一个哈希值，例如： 64位哈希;并且生成这个散列，使得非常相似的项具有非常相似的位模式的散列。必须将此哈希值（以及项目的ID）存储在多个表中（例如，8个不同的表），每个表以不同的方式排列哈希的位，并且每个表按数字顺序排列置换的哈希值。使用多个表可以实现一个聪明的技巧，您可以快速找到给定哈希中最多 n 位的所有哈希值;问题是 n 不能很大：取决于您希望存储的项目数，整个哈希中有多少位，以及您可以在内存中保留多少个表， n < / em>可能低至3或可能高达6或7。

Minhash和simhash都依赖于他们将表保存在主内存中的速度，但是如果你需要克服内存限制，两者都可以分散在多台机器上。创建simhash的方法由Google持有的专利涵盖，但它们似乎至少允许非商业化使用该算法。

Answer 2

在simhash中，我们不需要存储超平面。它的误差范围稍差。Simhash lecture