Minhash

释义 Definition

Minhash（最小哈希）是一种用于快速估计两个集合相似度（最常见是 Jaccard 相似度）的算法/技术。它通过对集合元素进行哈希并取“最小值”来生成短小的签名（signature），从而在大规模去重、近似检索、相似文档检测中高效工作。（在技术语境中也常写作 MinHash。）

发音 Pronunciation (IPA)

/ˈmɪnˌhæʃ/

例句 Examples

Minhash helps us find near-duplicate web pages quickly.
Minhash 可以帮助我们快速找到几乎重复的网页。

By computing Minhash signatures for each document and then using locality-sensitive hashing, the system can efficiently retrieve candidates that are likely to have high Jaccard similarity.
通过为每篇文档计算 Minhash 签名并结合局部敏感哈希（LSH），系统可以高效检索出那些很可能具有较高 Jaccard 相似度的候选项。

词源 Etymology

minhash 由 min（minimum，“最小”）+ hash（“哈希”）构成，字面意思是“取最小的哈希值”。该方法在信息检索与网络去重研究中广为传播，常与估计集合相似度的需求一起出现（尤其是用于近似计算 Jaccard 相似度）。

相关词 Related Words

• Jaccard
• Hash
• Signature
• Shingling
• Deduplication
• Similarity
• Locality-Sensitive Hashing
• Sketch

文学与著作中的用例 Literary / Notable Works

• Andrei Z. Broder, “On the resemblance and containment of documents”（1997）——经典论文，系统讨论了用于文档相似与包含关系估计的方法（MinHash 相关思想的代表性来源之一）。
• Jure Leskovec, Anand Rajaraman, Jeff Ullman, “Mining of Massive Datasets”（《海量数据挖掘》）——在“相似项检索/去重”等章节中介绍 MinHash 与 LSH 的组合用法。
• Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze, “Introduction to Information Retrieval”（《信息检索导论》）——在近重复检测、集合相似度估计等主题中涉及 MinHash/相关技术。