• lsh學習鏈接：
  LSH(Locality Sensitive Hashing)原理與實現
  對高維數據查詢最近鄰，推薦使用p-stable LSH；
  minLSH是針對文檔查詢最近鄰得方法；
• python學習與使用：
  python入門之類
• 常用函數：
  random.gauss(mu, sigma)：均值為mu且標準偏差為sigma的高斯分布
  random.uniform(x, y)：將隨機生成下一個實數，它在 [x, y] 范圍內。
  numpy.inner()：返回一維數組的向量內積。對于更高的維度，它返回最后一個軸上的和的乘積。
  字典(Dictionary) update() ：函數把字典dict2的鍵/值對更新到dict里。
• lsh參數計算學習鏈接：
  參考論文：2004 Locality-sensitive hashing using stable distributions
  E2LSH的原理與實現
  LSH在歐式空間的應用(1)–碰撞概率分析
  LSH在歐式空間的應用(2)–工作原理
  LSH在歐式空間的應用(3)–參數選擇
  以上三個鏈接是用R語言舉例；
  正態分布就是高斯分布；
• knn搜索
  在使用lsh做近似近鄰搜索后，得到近鄰索引，通過近鄰索引對近鄰數據做k近鄰檢索，得到精確的k個最近鄰。
  python做 knn可以調用庫函數實現：

from sklearn.neighbors import NearestNeighbors # 函數功能：對數據集x的前1000個數據做10近鄰搜索； # 搜索范圍：數據集x內全體數據； def knn_search(X):# 查詢點y:x內前一千個數；Y = X[0:1000]# 查詢范圍：x內全體數據；查詢11近鄰；nbs = NearestNeighbors(n_neighbors=11, algorithm='ball_tree').fit(X)# distances：最近鄰距離；indices：最近鄰索引號；distances, indices = nbs.kneighbors(Y)# knn近鄰搜索范圍包含自己，返回結果去除自己（即去除查詢結果第一列），得到查詢點的十近鄰；return indices[:, 1:]

綜上，完成lsh對數據集k近鄰查詢；
查詢結果（對數據集做兩遍查詢，一次e2lsh,一次knn，對比查詢結果）：

總結

以上是生活随笔為你收集整理的python实现e2lsh高维数据集k近邻搜索——实现流程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。