怎么查重python文本相似性计算simhash源码
发表于:2026-11-02 作者:千家信息网编辑
千家信息网最后更新 2026年11月02日,今天小编给大家分享一下怎么查重python文本相似性计算simhash源码的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后
千家信息网最后更新 2026年11月02日怎么查重python文本相似性计算simhash源码
今天小编给大家分享一下怎么查重python文本相似性计算simhash源码的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。
场景:
1.计算SimHash值,及Hamming距离。
2.SimHash适用于较长文本(大于三五百字)的相似性比较,文本越短误判率越高。
Python实现:
代码如下
# -*- encoding:utf-8 -*-import mathimport jiebaimport jieba.analyseclass SimHash(object): def getBinStr(self, source): if source == "": return 0 else: x = ord(source[0]) << 7 m = 1000003 mask = 2 ** 128 - 1 for c in source: x = ((x * m) ^ ord(c)) & mask x ^= len(source) if x == -1: x = -2 x = bin(x).replace('0b', '').zfill(64)[-64:] return str(x) def getWeight(self, source): return ord(source) def unwrap_weight(self, arr): ret = "" for item in arr: tmp = 0 if int(item) > 0: tmp = 1 ret += str(tmp) return ret def sim_hash(self, rawstr): seg = jieba.cut(rawstr) keywords = jieba.analyse.extract_tags("|".join(seg), topK=100, withWeight=True) ret = [] for keyword, weight in keywords: binstr = self.getBinStr(keyword) keylist = [] for c in binstr: weight = math.ceil(weight) if c == "1": keylist.append(int(weight)) else: keylist.append(-int(weight)) ret.append(keylist) # 降维 rows = len(ret) cols = len(ret[0]) result = [] for i in range(cols): tmp = 0 for j in range(rows): tmp += int(ret[j][i]) if tmp > 0: tmp = "1" elif tmp <= 0: tmp = "0" result.append(tmp) return "".join(result) def distince(self, hashstr1, hashstr2): length = 0 for index, char in enumerate(hashstr1): if char == hashstr2[index]: continue else: length += 1 return lengthif __name__ == "__main__": simhash = SimHash() str1 = '咱哥俩谁跟谁啊' str2 = '咱们俩谁跟谁啊' hash2 = simhash.sim_hash(str1) print(hash2) hash3 = simhash.sim_hash(str2) distince = simhash.distince(hash2, hash3) value = 5 print("simhash", distince, "距离:", value, "是否相似:", distince<=value)以上就是"怎么查重python文本相似性计算simhash源码"这篇文章的所有内容,感谢各位的阅读!相信大家阅读完这篇文章都有很大的收获,小编每天都会为大家更新不同的知识,如果还想学习更多的知识,请关注行业资讯频道。
相似
文本
知识
篇文章
相似性
源码
内容
不同
很大
代码
哥俩
场景
大部分
就是
更多
知识点
行业
资讯
资讯频道
逻辑
数据库的安全要保护哪些东西
数据库安全各自的含义是什么
生产安全数据库录入
数据库的安全性及管理
数据库安全策略包含哪些
海淀数据库安全审计系统
建立农村房屋安全信息数据库
易用的数据库客户端支持安全管理
连接数据库失败ssl安全错误
数据库的锁怎样保障安全
高科技互联网
互联网科技小贷
艾特科技互联网
长亮科技互联网金融
科技大学互联网专业好不好
隆华科技工业互联网
中国科技互联网公司收入
互联网对科技的发展
湖南一路畅行互联网科技
深圳育鹏互联网科技有限公司招聘
科技类公司包括互联网吗
小米互联网科技园入驻
江苏互联网智能科技软件
厦门江牛科技互联网
容联科技互联网电商
万物互联网智能科技
银川新华互联网科技学校原画
杭州融税互联网科技有限公司
上海互联网科技园景观
广东猫王互联网科技有限公司电话
互联网科技工作委员会主任
江苏根荣互联网科技
互联网科技公司怎么样
汇久创客互联网科技
科技大学互联网专业好不好
科技互联网的估值
电子科技大学互联网创业大赛
河南住房之家互联网科技
为客找房互联网科技公司怎么样
互联网硬科技公司