相似度哈希函数（simhash）

Question

我使用哈希函数时遇到问题。我必须为文档中的每个字分配一些数字（128位或64位）。因此，“相似性”的哈希值必须接近“相似”。这意味着，如果具有相似度值=> 10022（比方说），那么类似于=> 10025。应该附近有类似的词。另外，不同名称的哈希值也应该相似。这意味着，“john”的哈希值也应该接近“michel”或“sita”......等等。如果有任何人对此有任何想法。

先谢谢了。 ：）

Answer 1

它不能以这种方式工作，首先你必须找到可用数据样本值的通用模型，然后将它用于流日志消息。

Answer 2

有一个名为OpenNLP的库，因此通过使用此库，您可以知道它是什么类型的单词。然后正如你所说的那样，对于像名字这样的类似单词，可以有写散列函数，其中名称或动词，因此可以得到类似的散列值。 感谢。