此项目用来对中文文档计算出对应的 simhash 值。 simhash 是谷歌用来进行文本去重的算法,现在广泛应用在文本处理中。
- 使用 CppJieba 作为分词器和关键词抽取器
- 使用 jenkins 作为 hash 函数
hpp
风格,所有源码都是.hpp
文件里面,方便使用。没有链接,就没有伤害。
- 本项目的副产品项目:simhash_server 提供了简单的 simhash HTTP 服务。
- g++ (version >= 4.1 recommended), or clang++ .
mkdir build
cd build
cmake ..
make
./bin/simhash.demo
结果如下:
文本:"我是蓝翔技工拖拉机学院手扶拖拉机专业的。不用多久,我就会升职加薪,当上总经理,出任CEO,走上人生巅峰。"
关键词序列是: ["蓝翔:11.7392", "CEO:11.7392", "升职:10.8562", "加薪:10.6426", "手扶拖拉机:10.0089"]
simhash值是: 17831459094038722629
100010110110和110001110011 simhash值的相等判断如下:
海明距离阈值默认设置为3,则isEqual结果为:0
海明距离阈值默认设置为5,则isEqual结果为:1
详情请看 src/main.cpp