求解类似数据如何搜索!

数据格式如下
"10101010001001101100100011000100100100001011100001000010010101000101010101000101".....共计256位
就是除了1就是0的唯一标示符256位的跟64位的还有1024位的
这种标示符
目前我已经有256位的跟64位的了,目前数据我已经生成了800w条,陆续生成中

字符串1="10101101001010010111010101100001011101000101010010001000111001101010010101"...
字符串2="10101001001011010111010101000001011101000101110010001001111001101010010101"....
求这两个字符串的相似度 顺序比较 以下为相似度 计算

<code>

$len = strlen($hash1);
for ($i = 0; $i </code>

得到相似度
搜索要求为
从数据库中读取出跟 "字符串s" 相似度>0.9的,目前数据采用mysql储存,属于个人瞎胡闹搞得东西,不会采用商业数据库储存买不起,可以采用nosql储存,memcache储存,主要程序语言PHP,javascript算是预处理,我就会这两种!

求大神解这种数据如何搜索!!!!!!

回复内容：

数据格式如下
"10101010001001101100100011000100100100001011100001000010010101000101010101000101".....共计256位
就是除了1就是0的唯一标示符256位的跟64位的还有1024位的
这种标示符
目前我已经有256位的跟64位的了,目前数据我已经生成了800w条,陆续生成中

字符串1="10101101001010010111010101100001011101000101010010001000111001101010010101"...
字符串2="10101001001011010111010101000001011101000101110010001001111001101010010101"....
求这两个字符串的相似度 顺序比较 以下为相似度 计算

<code>

$len = strlen($hash1);
for ($i = 0; $i </code>

得到相似度
搜索要求为
从数据库中读取出跟 "字符串s" 相似度>0.9的,目前数据采用mysql储存,属于个人瞎胡闹搞得东西,不会采用商业数据库储存买不起,可以采用nosql储存,memcache储存,主要程序语言PHP,javascript算是预处理,我就会这两种!

求大神解这种数据如何搜索!!!!!!

我能想到算法上的两个优化点。

---

第一个，是你逐位判断的代码里面，只要$count大于$len的10%就不用循环下去了，相似度必然小于0.9。

---

第二个，既然数据是自己生成的，那可以在生成时一并储存拆分值的十六进制数。

举个例子，比如1024位的字符串，每16位为一个单位，共拆分为64个单位，每个单位的16位二进制数转换成4位16进制数，和这个1024位的字符串一并储存起来。
每次比较时，先逐个比较这64个单位的数值是否相同，如果有58个相同，那相似度就有0.9以上。

如果只有57个相同呢？剩下不同的7个4位16进制数，一共有4*7=28位十六进制数字，然后进行逐个比较。
有a个相同，则1024位转化成256位的十六进制数的数字上的相似度等于((57*4)+a) / (64*4) ，他要大于0.9。也就是说，在逐个比较时，a大于等于0.9*64*4 - 57*4 就不用判断了，相似度大于0.9。

如果只有a-1个相同呢？把不同的28-(a-1)位转化为2进制，按上面的方法，逐个比较。
有b个一样，相似度为((57*16)+(a-1)*4+b) / 1024，他要大于0.9，即b大于等于0.9*1024 - 57*16 - (a-1)*4时，相似度大于0.9。

把上面的57和a-1换成任意的x y就是实际情况了。虽然计算量还是很大，不过相比逐个比较小了很多了。

另外，计算出每两个16位二进制数的单位的相似度的时候可以缓存起来，留给256位和64位比较时用。仔细想想量好像也很大……就不继续写了。

两个串直接做与运算，然后结果统计1的数量，与其中一个串比较，数量相近则相似

了解一下海明距离，还有cos相似度