simhash中如何存儲信息等

按照Charikar在論文中闡述的，64位simhash，海明距離在3以內的文本都可以認爲是近重複文本。當然，具體數值需要結合具體業務以及經驗值來確定。     使用上述方法產生的simhash可以用來比較兩個文本之間的相似度。問題是，如何將其擴展到海量數據的近重複檢測中去呢？譬如說對於64位的待查詢文本的simhash code來說，如何在海量的樣本庫（>1M）中查詢與其海明距離在3以內的記錄呢

>>阅读原文<<