字符串的局部敏感散列？

Question

字符串是否有哈希函数，这样小编辑距离内的字符串（例如，拼写错误）会映射到相同或非常接近的哈希值，而不相似的字符串往往不会？

Answer 1

一种选择是计算所有k - mers（长度为k的子串）的集合，对它们进行散列并计算最小值。 因此，您正在结合带状疱疹的想法，以及minhashing的想法。 （重复多次以获得更好的结果，与LSH方案一样）

这是如何工作的方式是两个具有相同minhash的字符串的概率与它们的k - mer集的Jackard相似性相同。 k - mer集的相似性与编辑距离有关（但不相同）。