simhash Java和Python版本的实现

绍下这个算法主要原理，为了便于理解尽可能不使用数学公式，分为这几步：html 一、分词，把须要判断文本分词造成这个文章的特征单词。最后造成去掉噪音词的单词序列并为每一个词加上权重，咱们假设权重分为5个级别（1~5）。好比：“ 美国“51区”雇员称内部有9架飞碟，曾看见灰色外星人 ” ==> 分词后为 “ 美国（4） 51区（5） 雇员（3） 称（1） 内部（2） 有（1） 9架（3） 飞碟（5）

>>阅读原文<<