Spark-LSH
局部敏感哈希。 主要是的 PySpark 端口。
先决条件
火花 1.2+
Python 2.7+
SciPy 0.15+
NumPy 1.9+
实施细则
该项目遵循 spark-hash Scala LSH 实现的主要工作流程。 它的核心lsh.py模块接受 RDD 支持的密集 NumPy 数组或 PySpark SparseVectors 列表，并生成一个模型，该模型只是对生成的所有中间 RDD 的包装。 下面将详细介绍每个步骤。
重要的是要注意，虽然这个管道将接受密集或稀疏向量，但来自的原始哈希函数几乎肯定会因密集向量而失败，导致所有向量都被散列到所有波段中。 目前正在开展工作以实现更均匀地分割密集向量的替代哈希函数。 对于稀疏情况，结果与的结果重复。
用法
用法遵循 spark-hash 项目的用法。 参数保持不变。
参数
命令行参数：
--bins
2022-12-20 21:18:09
6KB
1
针对现有的细节点柱形编码方法存在柱形编码有效性较差、检索错误率较高的问题，提出了一种改进的细节点柱形编码算法。该算法通过对原有的细节点柱形编码参数进行自适应选取，提高了柱形编码的有效性，有效地降低了指纹检索恢复时的错误率；同时引入局部敏感哈希方法，通过对柱形码进行检索与恢复找回有效的细节点对，提高了匹配的准确率。在FVC2002上的实验结果表明，改进算法具有较好的性能。
2022-04-14 16:00:16
1.27MB
1
Learning to Hash with its Application to Big Data Retrieval
是课程结课作业，简单的介绍了LSH（局部敏感哈希）
主要分以下几部分内容
1.Nearest Neighbor Search (Retrieval)
2.Two Stages of Hash Function Learning
3.Hash Fuction
4.LSH
5.Application
6.Evaluation
2021-05-08 13:38:59
442KB
1
Java实现simHash算法，对应博客http://www.cnblogs.com/hxsyl/p/4518506.html
2019-12-21 18:50:17
6KB
1