概述
编者按：最近邻搜索算法能够帮助人们在海量数据中快速搜索到有效内容，但是想要将其应用于实际，则需要解决如何缩短搜索时间的问题。本文将为大家介绍两种减少搜索时间的方法。基于哈希的近似最近邻搜索的方法通过设计和优化哈希函数，减少计算的次数，从而缩短搜索时间。基于量化的近似最近邻搜索方法则通过聚类把向量集聚成若干类，每类里面的向量用对应的类中心来近似。
我们每个人每天都在享受各种在线服务(在线搜索、新闻推荐等)所带来的种种便利。这些服务的背后隐藏着庞大的、需要计算机实时处理的数据。例如，在图像搜索领域，面对给定的一幅查询图像，系统要从庞大的数据库里(比如包含百万、千万甚至上亿图像)快速找出相似的图像；而在新闻推荐中，计算机也需要根据用户画像，从大量的新闻中找到最相关的新闻推荐给用户。
想要从海量数据中快速找到有效数据离不开最近邻搜索算法。最近邻搜索是计算机视觉、机器学习、多媒体搜索、计算几何等领域里非常基础、也是非常重要的问题。
我们先看看最近邻搜索的定义。给定一个查询目标q，最近邻搜索的目的是从一个庞大的参考(搜索)集合X={x_1,x_2,…,x_N}里面，找到距离q最近的目标：
这里面，集合元素x和查询目标q可以是向量、集合或者其它形
最后
以上就是彪壮大象为你收集整理的最近邻查找最优算法_一文尽览近似最近邻搜索中的哈希与量化方法的全部内容，希望文章能够帮你解决最近邻查找最优算法_一文尽览近似最近邻搜索中的哈希与量化方法所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复