在机器学习和数据挖掘领域，尤其涉及大规模数据集时，构建相似性权重矩阵 W 往往是计算瓶颈。传统的全连接图方法复杂度高，难以扩展。ContW 函数提供了一种高效的基于锚点的近似方法，通过选择少量锚点并计算局部最近邻权重，来构建稀疏表示矩阵 Z 和归一化矩阵 H，最终隐式得到 W = H * H’。这种方式大大降低了内存和计算开销，适合哈希学习、谱聚类等任务。

本文将详细剖析 ContW 函数的实现逻辑，帮助读者理解如何在实际项目中高效处理大规模数据的相似性图构建。该函数简洁实用，结合了锚点选择和分批稀疏矩阵构造，性能出色。

函数整体功能

函数签名如下：

[model]=ContW(data,opts)

• 输入：

  • data：nSmp × nFea 的数据矩阵，每行是一个样本。

  • opts</