集合的Jaccard相似度定义:对于两个集合A和B,A和B的Jaccard相似度记为SIM(A,B)=|A∩B|/|A∪B|。
计算文档内容的相似度可以用来检测文档抄袭作弊或者镜像页面等。
为了计算文档内容之间的相似度,首先也将文档进行分词处理,然后计算Jaccard相似度。
shingling用来处理文档内容的分词,需要考虑shingle的大小。
例如,字符串“abcd" , 2个shingle大小的分词结果为:ab,bc,cd。
简单的shingling描述如下所示:
def get_shingles(file, shingle_size):
buf = f.read() # read entire file
for i in range(0, len(buf)-shingle_size+1):
yield buf[i:i+size]
为了减少分词的存储空间,常用最小的哈希组成的摘要来表示,得到最小的哈希签名。