simhash
高效的文本相似度去重算法实现
simhash是什么
Google发明的的文本去重算法,适合于大批量文档的相似度计算
主要步骤
- 对文本分词,得到N维特征向量(默认为64维)
- 为分词设置权重(tf-idf)
- 为特征向量计算哈希
- 对所有特征向量加权,累加(目前仅进行非加权累加)
- 对累加结果,大于零置一,小于零置零
- 得到文本指纹(fingerprint)
An efficient algorithm for text similarity computation
高效的文本相似度去重算法实现
Google发明的的文本去重算法,适合于大批量文档的相似度计算
An efficient algorithm for text similarity computation