c SimHash匹配相似 演算法

使用場景：google 的 simhash 演算法

//通過大量測試，simhash用於比較大文字，比如500字以上效果都還蠻好，距離小於3的基本都是相似，誤判率也比較低。

//從我的經驗，如果我們假定n是每個塊的大小，m是重疊的字元的數目，n = 4和m = 3是最好的選擇

public class simhashanalyser : ianalyser

private static ienumerabledohashtokens(ienumerabletokens)
return hashedtokens;
}private static int gethammingdistance(int firstvalue, int secondvalue)
}return hammingvalue;
}private static bool isbitset(int b, int pos)
private int docalculatesimhash(string input)
foreach (var value in hashedtokens)
else}}
var fingerprint = 0;
for (var i = 0; i < hashsize; i++)
}return fingerprint;}}
public inte***ce ianalyser
public inte***ce itokeniser
public class fixedsizestringtokeniser : itokeniser
this.tokensize = tokensize;
}public ienumerabletokenise(string input)
return chunks;}}
this.overlapsize = overlapsize;
this.chunksize = chunksize;
}public ienumerabletokenise(string input)
return result;
}}

使用：

const string haystack = "中國香港………………";

const string needle = "中國香港 2013………………";
ianalyser analyser = new simhashanalyser();
var likeness = analyser.getlikenessvalue(needle, haystack);
console.clear();
console.writeline("likeness: %", likeness * 100);
console.readkey();

simhash for c#

c SimHash匹配相似 演算法

使用場景 google 的 simhash 演算法 通過大量測試，simhash用於比較大文字，比如500字以上效果都還蠻好，距離小於3的基本都是相似，誤判率也比較低。從我的經驗，如果我們假定n是每個塊的大小，m是重疊的字元的數目，n 4和m 3是最好的選擇 publicclasssimhashan...

java演算法之 相似度匹配

package com.hxqc.pricemonitor.util 比較兩個字串的相似度 public class similarityutil private static int levenshtein distance string str1,string str2 if m 0 matri...

相似度匹配

同學們的實驗報告抄襲現象嚴重，現為了防止實驗報告抄襲的惡習，讓真正撰寫實驗報告的組能夠獲得公平的分數，需要設計乙個系統能夠查詢兩個實驗報告中相同的文字內容，從而計算兩個實驗報告的相似度。給定2個字串行x和y，當另一串行z既是x的子串行又是y的子串行時，稱z是序列x和y的公共子串行。找到兩個序列的最長...