Minhash大小100、Jaccard0.8场景下如何选择Elastiknn LSH的L、k参数？

首先可以明确，Elastiknn中的L和k完全对应常规Minhash LSH算法中的b（哈希表/桶组数量）和r（每个桶哈希值用到的哈希函数数量，即桶大小）。

核心约束前提 #

你使用的Minhash特征长度为100，因此参数必须满足 L * k ≤ 100，这是因为L个哈希表每个都需要k个独立的Minhash值生成桶哈希，不能超过总特征长度。

目标相似度0.8的调优逻辑 #

Minhash LSH的核心概率公式为：两个Jaccard相似度为s的文本对，被LSH索引命中为候选对的概率为 P = 1 - (1 - s^k)^L。调优的核心目标是让s≥0.8时P尽可能高，s<0.8时P尽可能低。
针对你的场景，可根据业务需求选择以下参数方向，建议先选2-3组在你的数据集上实测效果：

• 优先召回（零漏检需求）：选k=3，L=33，相似度≥0.8的文本对召回率接近100%，仅会漏检极个别刚好卡在0.8阈值边缘的样本，缺点是会召回大量相似度在0.6~0.8区间的样本，后续需要做精确Jaccard计算过滤。
• 平衡效果（大部分通用场景）：选k=4，L=25，相似度≥0.8的文本对召回率超过99.99%，同时相似度≤0.6的样本召回率不足5%，大幅降低后续过滤的计算量，是大部分近重场景的首选。
• 优先精度（低计算成本需求）：选k=10，L=10，相似度≤0.7的样本召回率仅为25%左右，后续过滤的计算量极低，缺点是相似度刚好为0.8的样本召回率约为68%，存在一定漏检风险，适合允许少量漏检的场景。

最终准确率提升技巧 #

无论选择哪组参数，所有LSH返回的候选对都必须再做一次精确的Jaccard相似度计算，过滤掉实际相似度低于0.8的结果。只要你的Minhash特征质量合格，该操作可以让最终检测准确率达到100%，LSH仅用于缩小候选范围，不需要追求LSH本身的绝对精度。

内容的提问来源于stack exchange，提问作者pratik