原理

• SimHash是快速计算两个集合有多相似所用的技术具体细节可以参考：https://en.wikipedia.org/wiki/SimHash

用途

• 1. 相似度度量问题：给定DocA，DocB，判定DocA和DocB的相似度。（各计算simhash之后，使用海明距离）
• 1. 数据聚类问题：给定一批文档DocA，DocB，DocC，DocD，及变异后的DocA，DocB，DocC，DocD，找到各自变异前的文本，判定其中两两合并相似TopN=1。

• 计算公式：如上，略。

• 对每个单词生成一个hashCode
• 注意已经被Google申请了专利.