搜索引擎技术:标题去重 如何快速判断两个字符串的相似度

本文介绍了一种通过哈希方法将字符串转换为整数数组,从而实现快速计算字符串相似度的技术。该方法适用于大规模数据集的去重处理,通过计算两字符串哈希后的集合交集占比来衡量相似度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

判断两个字符串的相似度很容易,关键是如何提高速度。在搜索引擎中,往往有上百万的网页,怎么去重。速度最快。下面用一个hash的办法来快速计算相似度。

首先,我们用hash的方法把一个字符串变为一个整数数组:

void hashString(const string & buf, set<int> & ret)
{
  
for(int i = 0; i < buf.length() - 4++i)
  
{
    
string tmp;
    tmp 
+= buf[i]; 
    tmp 
+= buf[i+1]; 
    tmp 
+= buf[i+2]; 
    tmp 
+= buf[i+3];
    ret.insert(hash(tmp)); 
  }

}

相当于每4个字节把字符串hash成一个整数存起来。

那么如果我们有两个字符串 a, b
我们首先把它们hash成两个集合sa,sb

假设 sa sb的交集有 k个元素
那么相似度就可以定义为

k / max(|sa|,|sb|)

然后给定一个阈值就可以去重了。

这个方法特点是效果比较好,速度很快。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值