为 LSH Minhash 算法生成随机散列函数答案

【问题标题】：Generating Random Hash Functions for LSH Minhash Algorithm为 LSH Minhash 算法生成随机散列函数
【发布时间】：2014-07-10 12:11:20
【问题描述】：

我正在用 Java 编写一个 minhashing 算法，它要求我生成任意数量的随机散列函数（在我的例子中是 240 个散列函数），并通过它运行任意数量的整数（目前为 2000 个）。

为了做到这一点，我一直在为 240 个散列函数中的每一个生成随机数 a、b 和 c（范围从 1 到 2001）。然后，我的哈希函数返回 h = ((a*x) + b) % c，其中 h 是返回值，x 是通过它的整数之一。

这是随机散列的有效实现，还是有更常见/可接受的方法？

这篇文章问了一个类似的问题，但我仍然对答案的措辞感到有些困惑：Minhash implementation how to find hash functions for permutations

【问题讨论】：

【解决方案1】：

几年前，当我使用 Bloom 过滤器时，我偶然看到一篇文章，它描述了如何使用最少的代码非常简单地生成多个哈希函数。他描述的方法非常有效。见Less Hashing, Same Performance: Building a Better Bloom Filter。

基本思想是创建两个散列函数，分别命名为h1和h2，然后您可以使用以下公式模拟多个散列函数g1到gk：

gi = h1(x) + i*h2(x)

i 从 1 到 k（您想要的哈希函数的数量）不等。

这篇论文非常值得一读，即使您决定不实施他的想法。虽然读完之后我无法想象不想实现它。它使我的 Bloom 过滤器代码更易于处理，并且不会对性能产生负面影响。

【讨论】：

【解决方案2】：

所以我上面描述的方法几乎是正确的。数字 a 和 b 应该是随机生成的。但是，c 需要是一个比 x 的最大可能值稍大的素数。一旦选择了这些数字，使用 h = ((a*x)+b) % c 查找哈希值 h 是生成哈希函数的标准、公认的方法。

另外，a 和 b 应该是 1 到 c-1 范围内的随机数。

【讨论】：