SimHash
参考:
http://www.cnblogs.com/linecong/archive/2010/08/28/simhash.html
Simhash是由随机超平面hash算法演变而来的,随机超平面hash算法非常简单。
对于一个n维特征向量v,要得到一个f位的签名(f<<n),算法如下
1,随机产生f个n维的向量r1,…rf;
2,对每一个向量ri,如果v与ri的点积大于0,则最终签名的第i位为1,否则为0.
这个算法相当于随机产生了f个n维超平面,每个超平面将向量v所在的空间一分为二,v在这个超平面上方则得到一个1,否则得到一个0,然后将得到的f个0或1组合起来成为一个f维的签名。
假设ri,i=1,那么两个向量r1, v的夹角为θ,表示在最终生成的64位的签名的第一位,一个随机超平面将它们分开的概率为θ/pai,因此r1, v的降维后签名的对应的第1位【总共64位】,两者不同的概率等于θ/π,因此我们可以想成如果这一位相同就是1,否则就是0。总共有64位,我们可以用两个向量的签名的不同的对应位的数量,即汉明距离,来衡量这两个向量的差异程度。