simhash

simhash copied to clipboard

基于Simhash，如何实现LSH，对已SimHash的文档进行分桶？

1

Hello，大神，问题如题目所示。网络上，找到的LSH无法理解

cefengxu

请问simhash可以控制文本的相似度吗？这个库有在生产上用么？

1

zouhuigang

算法优化问题

5

hi， 以下两个语句，取top32 ，海明距离为6. 都听别人说好做，自己还没尝试呢 我是个大学生，我也想开店，楼主要好好教我啊 加油把 都听别人说好做，自己还没尝试呢 我是个大学生，我也想开店，楼主要好好教我啊 学习了 请问，有哪些优化的思路。

gtfcugb

能提供一个python版本（接口）吗

1

SeekPoint

simhash的文档？

1

请问该项目有文档么？ 请问demo.cpp中的 ``` simhasher.extract(s, res, topN); simhasher.make(s, topN, u64); ``` 分别是什么意思？

hitalex

路径问题

1

我想使用demo来运行，但是发现路径都是相对路径，然后我这边运行不了。我不是太了解C++，一个一个该路径过于繁琐，有什么好的建议吗

cxyuyu

为什么与一个python版计算出来的结果不一样？

5

您好，python版: https://github.com/leonsim/simhash, 用的就是本代码中的那段文字。

deepzliu

将simhash与cppjieba分词放到同一个目录，无法编译

1

Simhasher.hpp: In member function ‘bool simhash::Simhasher::extract(const string&, std::vector&, size_t) const’: Simhasher.hpp:23:58: error: void value not ignored as it ought to be return _extractor.Extract(text, res, topN);

lolzdb

question about dict

1

Sorry, I am a newbie. There are four utf8 files in the dict and I am confused where they are from, what each of them are used for, Can I...

xiaokai-wang

目前尝试使用了一下simhash做新闻的去重，有三个疑问，希望能帮助解答一下

3

一、您设置的词典的idf是怎么计算得到的，在海量文档处理的时候，是否需要更新idf？ 二、对于形如“鍗楁棆鎺ц偂寮　姤1.32鍏　楂树笂甯备环10% 銆　　鍗楁棆鎺ц偂锛”、“懆浜斿憿鏄　[富锷涢槾闄╃殑鐜╀竴鎶婏纴涓嶈Е纰”这样的语句，您是怎么处理的？ 三、对若干文本进行汉明距离计算时，发现文档区别很大，但是汉明距离很小，这大概是什么原因？词频设置问题？

xjianster