CDN笔记一 Locality Sensitive Hashing算法

本篇笔记基于文章Similarity search in high dimensions via hashing。

历史

locality-sensetive hashing 局部敏感哈希，简称为LSH，最早由Indyk于1998年提出$^{[1]}$[1]，1999年被用于解决高维度海量数据的近似查找$^{[2]}$[2]。

近邻查找

先来看看什么是k-NN和$\epsilon$ϵ-NN问题。

k-NN问题指对于一个点集P和一个特定点q，寻找点集P中距点q最近的k个点。

$\epsilon$ϵ-NN问题指对于一个点集P和一个特定点q，假定点集P距离点q最近的点为p，寻找点集P中所有与点q距离在d(p,q)到$(1+\epsilon)d(p,q)$(1+ϵ)d(p,q)的点。

LSH算法

我们知道哈希算法目标是减少冲突方便快速查找。当维度很高，数据量很大的情况下，对于kNN问题，尽管一一匹配查找是线性的时间复杂度，计算成本也相当高。后续有人提出了KD tree，SR tree等等基于树形结构的搜索方案，但只能适用于低维度数据。

LSH算法可以快速有效地近似查找高维度海量数据。原理很简单，如果两个数据在高维空间中距离相近，则他们的哈希值有很大概率是一样的，反之如果两个数据在高维空间中距离较远，则他们的哈希值一样的概率非常小。

LSH哈希函数的定义如下：
$若p \in B(q,r_1)，则Pr[h(q) = h(p)] \geq p_1$若p∈B(q,r1​)，则Pr[h(q)=h(p)]≥p1​
$若p \notin B(q,r_2)，则Pr[h(q) = h(p)] \leq p_2$若p∈/​B(q,r2​)，则Pr[h(q)=h(p)]≤p2​
B(q,r) 表示以q为圆心，半径为r的空间，且$r_1 \leq r_2$r1​≤r2​，$p_1 \geq p_2$p1​≥p2​。

哈曼顿距离下的LSH哈希函数

一般我们用欧式距离作为距离，也即l2 norm。这篇文章中用哈曼顿距离，l1 norm。作者解释实验两者kNN的结果差不多（据说其实是当时欧式距离下的哈希函数还不知道）。作者做了两个假设：使用L1 norm进行度量，所有坐标被正整数化。

这里做了一个取巧，将哈曼顿距离转化为汉明距离后，求的实际上是汉明距离下的LSH。真正针对曼哈顿距离和欧式距离的LSH会在几年后提出。

汉明距离的定义是两个相同长度字符串不同的位数，比如说011和010，不同为一位，距离为1。

先将哈曼顿距离转化为汉明距离，令C为坐标中最大的坐标值，n为空间维度。对于点$p(x_1,x_2)$p(x1​,x2​)，转化为一个长度为nC的一元二进制向量：$v(p) = Unary(x_1)Unary(x_2)$v(p)=Unary(x1​)Unary(x2​)Unary(x)是一串长度为C的二进制汉明码，前x位为1，后C-x位为0，比如C=4，x=2，Unary(2) =1100。

定义一族哈希函数H：
对于$h \in H$h∈H，如果$v(p)$v(p)第r位为1，则h(p,r) = 1，如果$v(p)$v(p)第r位为0，则h(p,r) = 0。
其中r是1到nC之前随机产生的正整数。

例子：
$v(p) = 11001000$v(p)=11001000
对于某一族$g_1={h_1,h_2}$g1​=h1​,h2​，$h_1$h1​抽取第一位，$h_2$h2​抽取第四位，那么这一个哈希表中总共有4个哈希堆，00，01，10，11，则点P属于10这一个bucket。

来看看这族哈希函数是否满足LSH：
考虑两个长度为nl的一元向量p和q，汉明距离为d，则它们被哈希成相同哈希值的概率为$\frac{nl-d}{nl}$nlnl−d​，转化为概率与距离的关系是一条下降的线段，满足LSH哈希函数的定义。

Reference:
[1] Approximate nearest neighbors: towards removing the curse of dimensionality
[2] Similarity search in high dimensions via hashing