Resumen

La búsqueda del vecino más cercano (NNS) es el núcleo de la recuperación de datos a gran escala. Aprender a codificar en hash es una forma efectiva de resolver los problemas al representar datos de alta dimensión en un código binario compacto. Sin embargo, los métodos existentes de aprendizaje para codificar en hash necesitan una codificación de bits larga para garantizar la precisión de la consulta, y una codificación de bits larga conlleva un gran costo de almacenamiento, lo que restringe severamente la codificación de bits largos en la aplicación de big data. Se propone un algoritmo de aprendizaje asimétrico para codificar en hash con codificación de bits variable (AVBH) para resolver el problema. El algoritmo de hash AVBH utiliza dos tipos de funciones de mapeo de hash para codificar el conjunto de datos y el conjunto de consultas en bits de diferentes longitudes. Para los conjuntos de datos, se analizan estadísticamente las frecuencias de los códigos de hash de los conjuntos de datos después de la codificación de características aleatorias de

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Búsqueda del vecino más cercano; Aprendizaje para el hash; Codificación de bits variables; Aprendizaje asimétrico; Algoritmo de hash; Costo de almacenamiento
• Keywords:Nearest neighbour search; Learning to hash; Variable bit encoding; Asymmetric learning; Hash algorithm; Storage cost