MinHashing vs SimHashing

假设我有五组要聚类。我了解SimHashing技术在这里描述：

https://moultano.wordpress.com/2010/01/21/simple-simhashing-3kbzhsxyg4467-6/

可能产生三个集群（{A}，{B,C,D}和{E}），举例来说，如果其结果是：

A -> h01
B -> h02
C -> h02
D -> h02
E -> h03

同样，MMDS书籍的第3章中介绍了MinHashing技术：

http://infolab.stanford.edu/~ullman/mmds/ch3.pdf

如果其结果是，也可以产生相同的三个聚类：

A -> h01 - h02 - h03

B -> h04 - h05 - h06
      |
C -> h04 - h07 - h08
                  |
D -> h09 - h10 - h08

E -> h11 - h12 - h13

（每组对应一个由三个“带”组成的MH签名，如果两个签名带中的至少一个匹配，则将这两组分组。更多的带意味着更多的匹配机会。）

但是我有几个与此有关的问题：

（1）可以将SH理解为MH 的单频段版本吗？

（2）MH是否必然暗示使用诸如Union-Find之类的数据结构来构建集群？

（3）我认为这两种技术中的聚类实际上只是“候选聚类”，也就是说它们只是“候选对”的集合，对吗？

（4）如果（3）为真，是否意味着我仍然必须在每个“预集群”内部进行搜索，以将它们进一步划分为“真实”集群？（如果我有很多小型且相当平衡的预丛集，那可能是合理的，否则就不那么多了）$O(n^2)$

正如上面正确指出的，MinHash和SimHash都属于“本地敏感哈希”。参考：https : //en.wikipedia.org/wiki/Locality-sensitive_hashing

两者之间的主要区别在于处理冲突的方式，

1. SimHash，使用余弦相似度
2. MinHash，使用Jaccard索引。

您的问题的答案：

1. 否。他们使用不同的碰撞处理技术来验证相似性。最小哈希的单个哈希函数也有一个变体，但其工作方式有所不同。有关更多详细信息，请查阅以下参考资料：https ://en.wikipedia.org/wiki/MinHash（具有单个哈希函数的变体）
2. 是的，https://github.com/chrisjmccormick/MinHash/blob/master/runMinHashExample.py
3. 我认为可以通过在聚类时修改二进制搜索的形式将复杂度降低到。$O(n \log n)$