HASH GAME - Online Skill Game GET 300

　　这个算法的几何意义非常明了。它首先将每一个特征映射为f维空间的一个向量，这个映射规则具体是怎样并不重要，只要对很多不同的特征来说，它们对所对应的向量是均匀随机分布的，并且对相同的特征来说对应的向量是唯一的就行。比如一个特征的4位hash签名的二进制表示为1010，则这个特征对应的4维向量就是(1, -1, 1, -1)T，即hash签名的*一位为1，映射到的向量的对应位就为1，否则为-1。然后将一个文档中所包含的各个特征对应的向量加权求和，加权的系数等于该特征的权重。得到的和向量即表征了这个文档，我们可以用向量之间的夹角来衡量对应文档之间的相似度。最后为了得到一个f位的签名，需要进一步将其压缩，如果和向量的*一维大于0，则最终签名的对应位为1，否则为0。这样的压缩相当于只留下了和向量所在的象限这个信息，而64位的签名可以表示多达264个象限，因此只保存所在象限的信息也足够表征一个文档了。

　　传统的hash算法只负责将原始容尽量均匀随机地映射为一个签名值，原理上相当于伪随机数产生算法。产生的两个签名，如果相等，说明原始容在一定概率下是相等的；如果不相等，除了说明原始容不相等外，不再提供任何信息，因为即使原始容只相差一个字节，所产生的签名也很可能差别极大。从这个意义上来说，要设计一个hash算法，对相似的容产生的签名也相近，是更为艰难的任务，因为它的签名值除了提供原始容是否相等的信息外，还能额外提供不相等的原始容的差异程度的信息。而Google的simhash算法产生的签名，可以满足上述要求。出人意料，这个算法并不深奥，其思想是非常清澈美妙的。