上面提到的编码可能存在的问题是，维度d当有高基数的变量时，会变得非常大。哈希的技巧非常受Vowpal Wabbit学习软件的欢迎，[Weinberger et al. 2009]中发表 并解决了这个问题。

思想是使用散列函数来减少功能可以采用的值的数量。

我们使用上一节中描述的虚拟编码，而不是c维码，我们最后得到一个d维的，其中d是哈希使用桶的数量。如果d <c，则会导致压缩表示。这种 情况一定会发生，但是如后所述，这不是主要的问题。

当处理特征时，有两种可能的策略：

（1）将每个特征f散列到$$d_f$$维空间中，表示为$$\sum d_f$$

（2）将所有特征都整合到相同的空间中，每个都使用不同的散列函数

我们使用第二种方法，因为它更容易实现。散列方法在算法1中给出。值$$v_f$$可以是任何类型，散列函数是内部代表行为。在算法1中，每个特征有f一个散列函数$$h_f$$。

还有一些减少模型维度的方法，例如 丢弃不常见的值，但它们需要更多的数据处理和使用 字典。 哈希技巧的非常实用的因为它的简单性：它不需要任何额外的数据处理或数据存储，直接可行。