simhash Java和Python版本的實現

紹下這個算法主要原理，爲了便於理解儘可能不使用數學公式，分爲這幾步：html 一、分詞，把須要判斷文本分詞造成這個文章的特徵單詞。最後造成去掉噪音詞的單詞序列併爲每一個詞加上權重，咱們假設權重分爲5個級別（1~5）。好比：「 美國「51區」僱員稱內部有9架飛碟，曾看見灰色外星人 」 ==> 分詞後爲 「 美國（4） 51區（5） 僱員（3） 稱（1） 內部（2） 有（1） 9架（3） 飛碟（5）

>>阅读原文<<