simhash-java

Java實(shí)現(xiàn)simhash算法的簡單實(shí)現(xiàn)。

特征：

1. 計(jì)算字符串的simhash
2. 通過構(gòu)建智能索引來計(jì)算所有鏈之間的相似度，因此我們可以處理大數(shù)據(jù)。

如何使用：

• 使用inputfile和outputfile運(yùn)行Main。

• 輸入文件的格式（請參閱src / test_in）：每行doc帶有utf8字符集。

• 輸出文件的格式（請參見src / test_out）：

• 開始//開始標(biāo)志

• 第一行// doc

• sencode lien // // doc1 \ tdist dist是doc和doc1之間的漢明距離

• 結(jié)束//結(jié)束標(biāo)志

未來：

1. 將項(xiàng)目構(gòu)建到可運(yùn)行的jar中。
2. 在大數(shù)據(jù)下提高性能。

注意：

1. 在運(yùn)行Main.java之前，您應(yīng)該選擇一個(gè)更好的分析器而不是BinaryWordSeg！