专门针对中文文档的simhash算法库 English
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测试
make test
./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 example/demo.cpp
- Email:
[email protected] - QQ: 64162451
