1、文件的相似性，可以將文件轉化為集合，然後計算二個集合的交集，如果交集越大，則二個文件越相似，否則不相似。
可以使用jaccard=|s交t|/|s並t|
2、可以使用shingling演算法，將文件變成乙個集合。
k—shingle 就是將乙個文件變成長度為k的字串的集合，如果元素重複，則只保留乙個。如果把集合看成包，就可以記載重複字串出現的次數。
對於k的選擇時非常重要的。
3、k的選擇很重要
4、將一片文件變成字串的集合，將會造成資料量的增加，因此可以使用hash函式，將字串轉化為乙個整形的數值，減少儲存的空間。
5、基於詞的shingle
這個思想主要就是 使用停用詞+後續的幾個詞 構成shingle集合中的乙個元素。這樣可以區分內容，而忽略其它的因素。
文件相似性設計預言
當下較常用的相似度計算大致分為兩類 一 主題模型 代表方式 lsa lsi nmf lda word2vec等。描述 這類演算法可算作最簡單的機器學習，對於基礎文件進行主題過濾，計算出主題和詞語 主題和文件的關聯性，對於文件中語義的判定提供支援。二 特徵向量 距離演算法 代表方式 simhash 漢...
奶牛的相似性
奶牛的相似性 description 農夫約翰有兩頭奶牛，他想要知道，這兩頭奶牛到底有多相似，所以他給每頭奶牛拍了mn 指m行n列 的數碼相片，他想要你寫乙個程式幫助他。mn的數碼相片可以分辨出奶牛身上黑色和白色的斑塊，下面是兩頭奶牛的數碼 x 表示黑色部分，表示白色部分 其中m 5，n 7。奶牛1...
訊號相似性的描述
訊號相似性的描述 在很多的應用場合，經常要描述兩個訊號的相似性。比如在雷達的訊號檢測中，要比較所接收的訊號是否就是發射訊號的延時。有時候，甚至還要描述乙個訊號本身的相似性，比如在語音編碼中，要通過語音頻號本身的相似性，來 下一時刻的訊號值。我們知道，在訊號處理中，用相關函式來描述訊號的相似性。描述兩...