1. simhash的算法原理
https://github.com/1e0ng/simhashhttps://github.com/1e0ng/simhashsimhash的中文实现(python) - 简书最近工作上需要处理文本相似度的问题,一共5万多个文档;第一步,是先是要进行颗粒度较粗的,发现基本相似的文档,进行基本的 “聚类”;第二步,针对相似的文档,然后进行详细的比较;...https://www.jianshu.com/p/1187fb7c59c5GitHub - tianlian0/duplicate-check-sample: 文本查重SDK,可用于论文查重、标书查重、文档查重、作业查重、合同查重、防串标等场景。关联:duplicate check
https://github.com/tianlian0/duplicate-check-sample
2. 实战