Hash基础相关知识点总结

Posted 2021-01-16 qijunhui

1  哈希表（Hash Table）

说明：一种特殊的数据结构。

特点：可以快速实现查找、插入和删除。

1.1  基本思想

数组的特点：寻址容易，但插入和删除困难。

链表的特点：寻址困难，但插入和删除容易。

哈希表即结合以上两个的优点，创造而成。

1.2  基本概念

• 哈希表：即散列表，是根据关键字（码值）而直接进行访问的数据结构，也就是Map。
• 哈希函数：即散列函数，是Hash表的映射函数。
• 标准定义：若关键字为$k$，则其值存放在$f(k)$的存储位置上。由此，不需要比较便可直接取得所查记录，称这个对应关系$f$为哈希函数，按这个思想建立的表为哈希表。

2  哈希算法

哈希算法并不是一个特定的算法，而是一类算法的统称。

哈希算法也称散列算法，一般满足$f(data)=key$，即输入任意长度的$data$数据，经哈希算法处理后输出一个定长的数据$key$。

简单地讲，哈希算法可类比为一个伪随机数生成器，实现“明文→密文”的转化，即一段信息经哈希算法映射为固定长度的数字串。

性质：

1. 不可逆，即知道$x$的Hash值无法求出$x$。
2. 无冲突，即知道$x$，无法求出一个$y$，使$x$与$y$的Hash值相同。

“碰撞”即不同的输入数据对应了相同的哈希值。

注意：“碰撞”并没有违背“无冲突”性，一个好的哈希算法应有较好的抗冲突性。

海明距离：在信息编码中，两个合法代码对应位上编码不同的位数称为码距，又称为海明距离。即两个二进制串异或结果中1的个数。

常用的哈希算法见关于Hash的几种常用算法。

3  局部敏感哈希

局部敏感哈希类似于一种空间域转换思想。

特点：保持数据的相似性。

如果两个文本原有数据空间相似，则经哈希转换后也具有相似性；相反，若两个文本不相似，则经转换后也不相似。

局部敏感哈希是相对的，我们所讲的保持数据的相似性不是说包吃100%的相似度，而是保持最大可能的相似度（降维后）。

3.1  Shingling

Shingling是一种去重算法。

将待查询的字符串集进行映射，映射到一个集合里，如字符串“abcede”映射到集合“(a, b, c, d, e)”中。

注意集合中的元素是无重复的，这一步就叫Shingling，意即构建文档中的短字符串集合，即Shingle集合。

3.2  SimHash

传统的Hash函数是将原始内容尽量均匀、随机地映射为签名值，对于传统的Hash函数来讲，如果两个签名值相等，则说明原始内容在一定程度（一定概率）上是相同的；如果不相等，除了说明原始内容不相同外，不提供任何信息。

传统的Hash函数是无法在签名值的维度上来衡量原始内容相似度的，而SimHash本身属于一种局部敏感哈希，它产生的Hash签名在一定程度上可以表征原内容的相似性。

对于文本去重，有很多NLP相关的算法可以在很高精度上来解决。但是若要处理大数据维度上的文本去重，这就对算法的效率有很高的要求。

SimHash最大的优点：

1. 可以将文本映射为数字。
2. “文本相似”等同于“签名相似”。