问K-均值与LSH算法

EN

LSH不对数据进行聚类。

适用于几乎重复的(!)侦测到。

1. LSH按设计可能产生“假阳性”(散列词)，这一点根本不相似。
2. LSH有一个阈值t，它只尝试为低于此阈值的对象生成散列花括号。为了获得良好的性能，您需要尽可能地选择这个阈值。对于集群，您确实需要能够在桶外(比t更远)找到对象--用LSH无法可靠地做到这一点。
3. LSH会随机设置桶边界；您之所以没有注意到这一点，唯一的原因是您多次这样做，并希望不是所有这些都被错误地选择了。所以你只能得到几乎所有的近邻。甚至可能只有90%，取决于你的参数。由于每个对象都在多个桶中，它的集群是什么？您会得到大量重叠的“集群”，每个“集群”只包含部分数据。如何有效地从中找到好的集群是非常清楚的。

LSH实际上是关于“几乎相同的”对象，而不是在数据中找到更大的结构。

我认为垃圾邮件检测也不是一个很好的用例--你知道有任何垃圾邮件过滤器会这样做吗？几乎重复的新闻检测，例如，谷歌新闻，但与某种类型的LSH有关，据说他们正在使用minhashing。