Hash LSH中的存储桶数

在LSH中，您可以将其放入桶中。这个想法是，这些落入同一个桶中的文档可能是相似的，因此可能是最近的邻居

对于40000个文档，存储桶的数量（基本上）是多少

我现在有：

number\u of_bucket=40000/4

，但我觉得可以减少更多

有什么想法吗

---

---

相对：

一个常见的起点是为

n

文档使用

sqrt（n）

存储桶。您可以尝试将其加倍或减半，然后运行一些分析，看看您得到了什么类型的文档分发。当然，也可以尝试使用任何其他指数，甚至

K*log（n）

如果您预期不同集群的数量增长“缓慢”

---

我不认为这是一门精确的科学，它的主题与选择最佳的

k

相似。

我认为它至少应该是

n

。如果小于该值，比如说

n/2

，则确保对于所有带区，由于冲突，每个文档平均至少有一个可能的相似文档。因此，在计算相似性时，您的复杂性至少为O（n）

---

另一方面，您将必须至少通过桶K次，因此这就是O（K*B），作为您的桶。我认为后者更快，因为它只是在您的数据结构（即某种字典）上迭代，并计算散列到每个存储桶的文档数。

您在前面的问题中实际散列了哪些内容还不清楚：“文档作为列，单词作为行[…]每个条带都对其列进行散列，因此一列落在一个桶中。如果两列落在同一个桶中，对于>=1条带，则它们可能是相似的”。无论如何，一个常见的起点是为

n

文档使用

sqrt（n）

存储桶。您可以尝试将其加倍或减半，然后运行一些分析，看看您得到了什么类型的文档分发。