simhash是google用来处理海量文本去重的算法。 google出品，你懂的。 simhash最牛逼的一点就是将一个文档，最后转换成一个64位的字节，暂且称之为特征字，然后判断重复只需要判断他们的特征字的距离是不是<n（根据经验这个n一般取值为3），就可以判断两个文档是否相似。
转载于:https://my.oschina.net/letiantian/blog/524626
simhash算法
最新推荐文章于 2020-03-15 18:19:42 发布
simhash是google用来处理海量文本去重的算法。 google出品，你懂的。 simhash最牛逼的一点就是将一个文档，最后转换成一个64位的字节，暂且称之为特征字，然后判断重复只需要判断他们的特征字的距离是不是<n（根据经验这个n一般取值为3），就可以判断两个文档是否相似。
转载于:https://my.oschina.net/letiantian/blog/524626
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
扫一扫
954
