minhash本质是集合操作，需先将字符串转为n-gram或词项集合再哈希；直接哈希原始字符串会导致jaccard相似度失效。预处理须小写化、去标点、切分、去重；多轮哈希需不同seed；签名比较用等值比率，非l2或余弦；std::string_view需谨慎避免悬垂指针。
MinHash 本质是集合操作，不是字符串直接哈希
MinHash 不是对 std::string 做一次哈希就完事——它先要把字符串转成「可比较的元素集合」，比如 n-gram 集合或词项集合。跳过这步直接哈希原始字符串，结果和 Jaccard 相似度完全无关。
常见错误现象：minhash("hello") == minhash("helol") 返回 true（实际应明显不同），因为没拆解、没去重、没归一化。
- 典型使用场景：文档去重、代码相似性检测、日志聚类——输入都是文本，但必须先分词/切片
- 推荐预处理链：
std::string→ 小写化 → 去标点 → 按空格或滑动窗口切分 → 过滤停用词（可选）→ 插入std::unordered_set<:string></:string> - n-gram 示例（k=2）：
"abcc"→{"ab", "bc", "cc"}（注意不是所有实现都自动去重，std::set比std::vector更安全）
用 std::hash + std::min_element 实现单轮 MinHash
标准库没提供 MinHash 类，但可以用 std::hash<t></t> 对集合中每个元素哈希，再取最小值——这就是 1-bit MinHash 的核心。别手写哈希函数，std::hash 足够快且分布合理。
性能影响：对含 10k 个 token 的文档，100 轮 MinHash（即 100 个 hash 函数）需调 100×10k 次 std::hash，实测在现代 CPU 上不到 1ms；瓶颈永远在预处理，不在哈希本身。
立即学习“C++免费学习笔记（深入）”；
- 关键点：每次 MinHash 轮次必须用不同哈希“种子”，否则所有轮次结果一样。用
std::hash<:string>{}(s + std::to_string(seed))</:string>是简单可靠的做法 - 别用
rand()或std::random_device生成种子——它们不保证跨平台一致性，线上复现困难 - 示例片段：
std::vector<uint64_t> minhash(const std::unordered_set<std::string>& tokens, int num_hashes) { std::vector<uint64_t> sig(num_hashes, UINT64_MAX); for (const auto& s : tokens) { for (int i = 0; i < num_hashes; ++i) { uint64_t h = std::hash<std::string>{}(s + std::to_string(i)); sig[i] = std::min(sig[i], h); } } return sig; }
多轮 MinHash 后如何估算 Jaccard 相似度
两个签名向量的相似度，就是对应位置相等的比率——这不是近似，而是无偏估计。但必须注意：只有当两组 MinHash 使用完全相同的哈希函数序列（相同 seed 序列、相同哈希算法）时，这个比率才有效。
容易踩的坑：std::hash 在不同编译器/标准库版本下可能不同（尤其 MSVC vs GCC），导致签名不可比。生产环境务必用确定性哈希，如 xxhash 或 farmhash 的 C++ 绑定。
- 计算公式就是：
double similarity = count_equal(sig1, sig2) / sig1.size(); - 若用 128 轮 MinHash，相似度误差约 ±0.09（95% 置信区间），想压到 ±0.03 得升到 1024 轮——但耗时也翻 8 倍
- 别对签名向量做 L2 距离或余弦相似度——MinHash 签名不是稠密向量，那些度量会彻底破坏概率保证
std::string_view 能否加速预处理？
可以，但只在你控制整个生命周期时安全。把 std::string_view 存进 std::unordered_set 很危险——一旦原始字符串析构，所有 view 都 dangling。
更稳妥的做法：预处理阶段用 std::string_view 切分，但立即转成 std::string 存入集合；或者用 arena allocator 手动管理内存，否则省下的那点拷贝时间，远不如一次野指针 crash 的代价大。
- 安全用法示例：
std::vector<:string> tokens; for (auto sv : split_view(input)) tokens.emplace_back(sv);</:string> - 错误用法：
std::unordered_set<:string_view> bad; bad.insert(input.substr(0,3));</:string_view>——substr返回临时std::string，其data()在插入后立刻失效 - 如果真要零拷贝，用
absl::string_view配合absl::flat_hash_set并绑定 arena，但这就超出标准库范围了
