【文件属性】：
文件名称：simhash算法库simhash.zip
文件大小：4.37MB
文件格式：ZIP
更新时间：2022-08-04 23:17:57
开源项目
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。
详见SimhashBlog
特性
使用 CppJieba 作为分词器和关键词抽取器
使用 jenkins 作为 hash 函数
hpp 风格，所有源码都是 .hpp 文件里面，方便使用。 没有链接，就没有伤害。
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
标签：simhash
【文件预览】：
simhash-master
----dict()
--------jieba.dict.utf8(4.84MB)
--------idf.utf8(5.72MB)
--------hmm_model.utf8(508KB)
--------stop_words.utf8(9KB)
----CMakeLists.txt(434B)
----deps()
--------limonp()
--------cppjieba()
----.travis.yml(275B)
----example()
--------CMakeLists.txt(81B)
--------demo.cpp(1KB)
----README_EN.md(2KB)
----test()
--------testdata()
--------load_test.cpp(820B)
--------CMakeLists.txt(123B)
--------unittest()
----README.md(2KB)
----ChangeLog.md(1016B)
----.gitignore(67B)
----include()
--------simhash()