摘要：
（注：本文转载自阮一峰老师的博文，原文地址：http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html） 今天，我们再来研究另一个相关的问题。有些时候，除了找到关键词，我们还希望找到与原文章相似的其他文章。比如，"Google新闻"在主 阅读全文
摘要：
（注：本文转载自阮一峰老师的博文，原文地址：http://www.ruanyifeng.com/blog/2013/03/tf-idf.html） 这个标题看上去好像很复杂，其实我要谈的是一个很简单的问题。 有一篇很长的文章，我要用计算机提取它的关键词（Automatic Keyphrase ext 阅读全文
摘要：
Simhash算法是Google应用在网页去重中的一个常用算法，在开始讲解Simhash之前，首先需要了解：什么是网页去重？为什么要进行网页去重？如何进行网页去重，其基本框架是什么？ 网页去重，顾名思义，就是过滤掉重复的网页。统计结果表明，近似重复网页的数量占网页总数量的比例较高，即互联网上有很多的 阅读全文