拍照搜題功能服務端（php）開發 simhash

後來發現很多關於simhash的文章，其中一篇：simhash演算法原理及實現。用簡單的話解釋一下simhash：這個演算法可以把任何文章都雜湊成乙個64位的二進位製碼，語義越相近的文章，獲得的二進位製碼的漢明距離越小。如果感興趣，大家可以深入研究一下。

基於這個理論，經過大量嘗試（其中不乏開源**，在此非常感謝），終於完成了下面的類。simhash第一步首先要分詞，故這個類用到了php的scws這個拓展。

如果想要了解scws怎樣安裝，點這

<?php
class glo_simhash ', '\\',
'|', '+', '=', '_', '^',
'$', '~', '`', '"', '"',
';', '.'
);return str_replace($dbc, $sbc, $str);
}function hashcode($str) 
function hashcode64($str) );
}$hash = $hash & 0x7fffffff;
$hash = decbin(bcmul($hash,$hash));
$hash = str_repeat('0',64 - strlen($hash)).$hash;
return $hash;
}//採用scws分詞
function getsimhash($text)','(',')'];
$so->send_text($str);
$keylist = array();
while($words = $so->get_result())
else
}$keylist = $hash;}}
}$fincode = '';
for($i=0;$i<64;$i++) 
foreach($keylist as $key) 
if($code>0)  else 
}return $fincode;
}}

建立倒排索引資料表

create table `simhash_syintelligence` (
`id` bigint(20) unsigned not null auto_increment,
`hashcode16` char(16) not null default '' comment '16位2進製hash',
`dp` text not null  comment '倒排字段 內容：(題目id:hashcode位置;題目id:hashcode位置)',
primary key (`id`)
) engine=innodb auto_increment=1 default charset=utf8

以上是猜想，基於ocr準確識別的情況，但聯調時發現，**識別不是很準確，經常出現類似「問」識別為「間」的情況。simhash是基於語義分析的，我上面的方案必須保證分割的4塊中其中一塊完全相同，錯一字，漢明距離就變大好多，導致可能匹配不到。還有一種情況是，會返回毫不相關的文章，因為這樣做返回文章的漢明距離為0-48，於是又改變了策略，調整表的設計：

create table `simhash_syintelligence` (
`id` bigint(20) unsigned not null auto_increment,
`ques_id` int(10) not null default '0' comment '題目id',
`hashcode64` char(64) not null default '' comment '64位2進製hash',
primary key (`id`),
key `hashcode64` (`hashcode64`)
) engine=innodb auto_increment=1 default charset=utf8

算是一種思路，但是實際應用中發現雜湊碰撞的概率挺高的，搜尋一段英文，完全沒有聯絡的中文被搜出來的，效果不太理性；

可以換成es全文搜尋引擎做

拍照搜題功能服務端（php）開發 simhash

unity 開發手機端拍照功能

php服務端setcookie 原理

PHP服務端環境搭建

拍照搜題功能服務端（php）開發 simhash

unity 開發手機端拍照功能

php服務端setcookie 原理

PHP服務端環境搭建

相關推薦