让我们说我在O（D * sqrt（D））时间内预处理了一百万份文件（计算使用minhash的签名），其中D是文件数量。当我给出查询文档时，我将在O（sqrt（D））时间内返回百万个预处理文档中的第一个，使得jaccard相似度大于或等于，例如0.8。
如果没有类似于查询文档的文档足以达到该分数，我将返回具有至少c * 0.8（其中c <1）的相似性的文档，概率至少为1 - 的1 / e ^ 2。如何找到这个minhash方案的C的最大值？
答案 0 :(得分：0)
您的复杂性/时间顺序听起来不正确。计算文档的细线（签名）应大致为O（n），其中n是特征（例如单词或带状疱疹）的数量。
将所有相似文档查找到给定文档（估计相似性高于给定阈值）应该大致为O（log（n）），其中n是候选文档的数量。
（估计的）.8 jaccard最小相似度的文档将至少有80％的散列匹配给定文档。您尚未为我们定义 c 和 e ，所以我无法告诉您最低下限是多少-我会留给您-但您可以轻松通过一次有效地实现此目标：
一张一张地处理所有基础文档的哈希。对于每个哈希，请在哈希字典中查找共享该哈希的所有其他文档。对找到的每个文档进行统计，以了解它共享多少个哈希。一旦这些计数之一达到哈希总数的80％，您便找到了中奖文件并可以暂停计算。但是，如果所有计数都没有达到.8阈值，则继续进行到底。然后，您可以选择标价最高的文档，并确定文档是否超过了最低阈值。