lsh-rs (局部敏感哈希)

局部敏感哈希可以在亚线性时间内帮助检索近似最近邻。

有关本主题的更多信息，请参阅

• LSH 简介
• 第 2 节描述了本包中使用的哈希族
• LSH 和神经网络

实现

• 基本 LSH
  • 符号随机投影 (余弦相似度)
  • L2 距离
  • MIPS (点积/最大内积搜索)
  • MinHash (Jaccard 相似度)
• 多探针 LSH
  • 逐步探测
    • SRP (仅位操作)
  • 查询引导探测
    • L2
    • MIPS
• 通用数值类型

入门指南

use lsh_rs::LshMem;
// 2 rows w/ dimension 3.
let p = &[vec![1., 1.5, 2.],
        vec![2., 1.1, -0.3]];

// Do one time expensive preprocessing.
let n_projections = 9;
let n_hash_tables = 30;
let dim = 10;
let dim = 3;
let mut lsh = LshMem::new(n_projections, n_hash_tables, dim)\
    .srp()
    .unwrap();
lsh.store_vecs(p);

// Query in sublinear time.
let query = &[1.1, 1.2, 1.2];
lsh.query_bucket(query);

文档

• 阅读 Rust 文档.
• 阅读 Python 文档 了解 Python 绑定。

Python

目前，Python 绑定仅编译为 Linux x86_64 系统。

$pip install floky

from floky import SRP
import numpy as np

N = 10000
n = 100
dim = 10

# Generate some random data points
data_points = np.random.randn(N, dim)

# Do a one time (expensive) fit.
lsh = SRP(n_projections=19, n_hash_tables=10)
lsh.fit(data_points)

# Query approximated nearest neigbors in sub-linear time
query = np.random.randn(n, dim)
results = lsh.predict(query)