请问simhash为什么算出来是20位，如果是10进制就溢出了呀..
opened this issue · comments
因为提供的distance好像只能计算字符串之间的距离，可是我只想保留simhash然后自己写一个函数计算海明距离以节省时间和空间，结果发现上述问题，望指教。
顺便能不能添加利用海明距离的文本聚类功能呢？
感谢
Hi，你好。
对于每一个关键词 hash 后得到的是一个 64 位无符号整形数。对这个数字进行整形运算，建议使用任意精度整形运算包的如 gmp，或者转到 C、C++ 运算。
library(gmp)
as.bigz("13133893567857586837")默认返回的 simhash 是用十进制表示，如果需要二进制表示，可以使用 tobin() 函数转换为二进制表示。
距离计算已经是用 C++ 位运算算出来了，应该是很快的，如果有更快的方法，欢迎 PR 。
如果已经计算出来了距离，就可以选择不同的聚类方法，R 有很多不同的聚类方法和包可以选择。
抱歉是我搞错了，20位刚好，感谢您快速的回复和悉心的指导:)