高维最近邻搜索和局部敏感性哈希 - 腾讯云开发者社区

文章/答案/技术大牛

发布

1回答

哪种散列算法适用于图像局部描述符？

algorithm、image-processing、hash、knn

然而，由于数据是非常高维的，我希望将其作为签名进行散列，因此我可以通过聚合窗口来执行近似最近邻图像搜索。. => **some numeric hash** 哪种哈希算法适用于这种情况？我尝试过Md5和SHA-1，但它们是加密的，可能不适合k-NN。我读过关于MinHash和SimHash的文章，但不确定它们是否适合我的用例。有什么建议吗？

浏览 2提问于2016-10-11得票数 2

3回答

K-近邻C/C++实现

c++、c、parallel-processing、nearest-neighbor、knn

在哪里可以找到k近邻算法的串行C/C++实现？我已经找到了openCV，但它的实现已经是并行的。我想从一个串行实现开始，并使用pthread、openMP和MPI将其并行化。亚历克斯

浏览 0提问于2012-11-21得票数 9

回答已采纳

3回答

如何优化寻找相似点？

algorithm、optimization、cosine-similarity

问题是找到最相似的文件需要很长时间。有什么算法能帮我加快速度吗？现在，我的代码只是计算第一个向量和所有其他向量之间的余弦相似性。大约需要3秒。我想加快速度;)算法不一定要准确，但应该给出类似的结果来进行全面搜索。每个向量的元素之和等于1。

浏览 1提问于2014-04-16得票数 2

2回答

解决精确的近邻搜索？

data-mining、lsh

麻省理工学院关于LSH的网站上写道：我在互联网和谷歌学者周围做了一些搜索，但似乎没有任何迹象。

浏览 3提问于2018-12-15得票数 1

2回答

高维最近邻搜索与局部性散列

python、math

我有很大的数据库(25,000左右)的48维向量，每个填充的值从0-255。细节不那么重要，但我认为它可能有助于提供背景。 b = uniform(0, r) return hashVal 哈希函数至少有一些

浏览 9提问于2010-07-16得票数 7

回答已采纳

3回答

如何用一种很好的方式来划分集群？

clustering、text-mining、plotting、matplotlib

每个集群由属于它的向量化文本、文本数量、创建日期和其他参数的质心表示。我不能在n维空间中绘制星系团。我有哪些选择？

浏览 0提问于2018-04-23得票数 7

3回答

什么时候KD树搜索KNN不起作用？

machine-learning、kdtree、knn

我一直在探索和学习KNN (K近邻问题)的KD树，什么时候搜索会不起作用？或者是否值得改进这种天真的搜索。这种方法有什么缺点吗？

浏览 1提问于2013-01-22得票数 2

1回答

余弦相似LSH与随机超平面

math、machine-learning、computational-geometry、nearest-neighbor、cosine-similarity

我读过很少有关于高维最近邻搜索的解决方案使用随机超平面，但我仍然对桶是如何工作的感到困惑。我有1亿份文档，以100维向量和100万次查询的形式。对于每个查询，我需要根据余弦相似性找到最近的邻居。

浏览 5提问于2017-07-28得票数 4

1回答

我正在阅读关于的调查，特别是引用2.2.1部分的最后一段为了提高查全率，构造了L哈希表，并将位于L (L‘，L’< L)哈希桶中的条目h_1 (q)，···，h_L (q)作为Q的近项进行随机R-近邻搜索(或随机c-近似R-近邻搜索)。最后一个问题:一旦我们找到了查询向量q属于哪个桶，为了找到最近的邻居，我们必须使用原始向量q和原始距离度量？例如，假设原始向量q位于128个维q=[1,0,12,...,14.3]^T中，并且在我们的应用程序中

浏览 4提问于2016-06-13得票数 0

2回答

支持快速近似最近邻查询的数据库

database、algorithm、nearest-neighbor

是否有一个在高维向量空间中支持快速近似近邻查询的数据库？可能使用覆盖树或局部性敏感散列来进行索引。

浏览 3提问于2013-09-15得票数 10

1回答

kd-树BBF算法的时间复杂度

kdtree

我有2000点和5000维，我想得到最近的邻居。在我阅读了算法之后，我想知道当我将max_nn_chks设置得太低时，是否会得到错误的答案。kdtree是数据获取近邻的最佳数据结构吗？

浏览 3提问于2013-07-05得票数 0

2回答

在位置敏感的哈希中，‘位置敏感’代表什么？

data-mining、discrete-mathematics

在locality-sensitive hashing中，locality-sensitive代表什么？这个术语有正式的定义吗？

浏览 1提问于2013-04-06得票数 1

2回答

KD树在SQL中的实现

python、sql、database、data-mining、kdtree

我正在考虑使用Python和Django的ORM编写自己的代码，但我希望避免重复发明轮子。我有一个包含数百万行的表，每行包含128列，表示图像特征数据。给定一个长度为128个元素的任意图像特征列表，我希望使用KD-Tree在数据库中找到N个最相似的图像。我发现了很多KD-Tree实现，但它们似乎都只在本地内存中加载，并且不能扩展或与数据库对话。

浏览 0提问于2011-04-01得票数 4

回答已采纳

1回答

用于大型传感器网络的分布式数据存储

hashtable、distributed、p2p、bittorrent

最近，我一直在研究一个涉及传感器网络数据收集和传播的问题，但我遇到了麻烦。我通读了一篇关于地理哈希表的论文，我认为它很精彩，但我找不到任何将其实现为分布式哈希表的系统的参考实现(或者实际上根本没有实现它)。我希望有人能提供一些关于最好的前进方式的意见。基本上，我正在寻找一种数据存储，它可以适应(或多或少)与分布式哈希表( bittorrent协议使用的)相同的操作方式。理想情况下，我希望能够使用分布式哈希表使用的相同P2P协议方案。

浏览 1提问于2015-07-06得票数 1

6回答

如何有效地在高维数据中找到k近邻？

algorithm、data-structures、computational-geometry、nearest-neighbor、dimensionality-reduction

所以我有大约16,000个75维数据点，对于每个点，我想找到它的k个最近的邻居(使用欧几里德距离，如果这样更容易的话，目前是k=2 )我的下一个想法是使用PCA (主成分分析)来减少维数，但我想知道:有没有什么聪明的算法或数据结构可以在合理的时间内准确地解决这个问题？

浏览 1提问于2010-10-19得票数 19

回答已采纳

1回答

局部性敏感散列中的ε(epsilon)参数是什么？

computational-geometry、nearest-neighbor、approximation、locality-sensitive-hash、approximate-nn-searching

我读过关于局部性敏感散列的。你能解释一下它的意思吗？

浏览 4提问于2016-05-21得票数 2

回答已采纳

2回答

将相似文档映射到相同值的文本文档的散列函数。

similar-documents

每次用户提交文档时，我都想存储文档的散列，但我希望类似的文档映射到相同的哈希值。实际上，我想知道用户是重新提交略有更改的文档还是重新提交新文档。我读过很多关于MinHash和LSH的文章，但这些都是基于拥有大量文档的语料库，然后在语料库中找到类似的文档。我认为这些不适用于我，因为我需要一次计算单个文档上的散列向量，而不知道其他文档。

浏览 0提问于2019-09-29得票数 2

2回答

用于高维匹配的机器学习算法是什么？

machine-learning

问题：如何运行机器学习算法来确定最佳匹配，或最接近/最相似的人，考虑到这1,000个特征？我尝试过Kmeans，但这似乎更适合于2个特性，而不是高维度。

浏览 4提问于2017-07-29得票数 0

回答已采纳

2回答

高维数据:知道什么是有用的技术？

machine-learning、statistics、dimensionality-reduction

由于各种维度诅咒的存在，许多常用的预测技术对高维数据的精度和速度都会降低。帮助有效处理高维数据的一些最有用的技术/技巧/启发式方法是什么？例如,高维数据降维最有用的技术是什么？

浏览 0提问于2015-01-25得票数 17

2回答

利用Spacy计算多个文档相似度的有效方法

python、nlp、spacy、similarity、sentence-similarity

我有大约10k个文档(大部分是1-2个句子)，希望每个文档都能找到60k个文档集合中最简单的10个文档。因此，我想使用空间库。由于这需要大量的文档，所以我的第一个想法是为每个60k文档以及10k文档计算文档向量()，并将它们保存在两个矩阵中。这两个矩阵可以相乘得到点积，这可以解释为相似性。现在，我基本上有两个问题： nlp = spacy.load(

浏览 3提问于2022-03-23得票数 2

回答已采纳

点击加载更多