集合作为一种高效的数据表示手段,已经应用于很多领域,例如可用于表示用户听音乐的喜好,购物网站的商品,生物信息工程中的基因序列等。近年来,随着电子商务、信息检索、生物信息工程等领域的快速发展,数据集合的规模和复杂度不断增大。快速处理海量且复杂的集合相似度数据已是近年研究的热点。在相似度查询计算中,往往会存在一些因为集合长度太长、或者太短导致两个集合完全不可能满足给定的相似度阈值的情况,对这些集合进行过滤或计算时消耗了大量的不必要的时间与空间。为解决此问题,本文首先提出一种基于长度分区的集合相似度查询方法。将长度分区的思想与经典的相似度查询算法ScanCount相结合,通过数据预处理、长度分区及高效的索引结构LenSegII(Length Segmented Invert Indexes)快速过滤不可能相似度的记录,从而提升算法效率。此外,设计更为精简的计数数组,从而降低了空间开销。在多个数据集上的实验表明本方法具有更高的时间和空间效率。现今大多数集合相似度查询算法都是以CPU串行或CPU并行扫描倒排列表的方式工作的,因而效率以及吞吐量都比较低,难以适应大规模及超大规模集合的快速相似度查询的需要。随着集合数据的增加,海量的集合数据需要有高效的集合相似度查询算法。为此,本文设计了基于GPU的并行分区集合相似度索引结构LenSegSM(Length Segmented Signature Matrix),该结构设计了精简的特征数组以降低空间开销,最后在使用签名矩阵计算相似度时,通过长度分区可来快速过滤不可能满足相似度的记录,从而提升算法效率。