simhashsimhash算法库
专门针对中文文档的simhash算法库
简介
此项目用来对中文文档计算出对应的 simhash 值。 simhash 是谷歌用来进行文本去重的算法,现在广泛应用在文本处理中。
特性
依赖
g++ (version >= 4.1 recommended), or clang++ .
用法
mkdir build cd build cmake .. make
演示
./bin/simhash.demo
结果如下:
文本:"我是蓝翔技工拖拉机学院手扶拖拉机专业的。不用多久,我就会升职加薪,当上总经理,出任CEO,走上人生巅峰。" 关键词序列是: ["蓝翔:11.7392", "CEO:11.7392", "升职:10.8562", "加薪:10.6426", "手扶拖拉机:10.0089"] simhash值是: 17831459094038722629 100010110110和110001110011 simhash值的相等判断如下: 海明距离阈值默认设置为3,则isEqual结果为:0 海明距离阈值默认设置为5,则isEqual结果为:1
详情请看 src/main.cpp
客服
i@yanyiwu.com
评论