hash - 将相似的字符串散列到相同的散列值

Question

是否有一些散列算法可以将相似的文本文档散列到特定的散列值？

例如，

A = “这是示例文本 1” B = “这是示例文本 2”

A 和 B 需要散列到相同的值。

我做了一些研究并阅读了有关 SimHash 和 LSH 算法的信息。Simhash 会导致哈希冲突，并且可以使用汉明距离来定义相似性。

理想情况下，我想要类似“如果字符串 A 和字符串 B 相差可接受的相似性阈值 (t < tmax)，则将 A 和 B 哈希为相同的哈希值。”

Answer 1

一个明显的选择是使用Soundex或其变体之一（取决于这些词的语言）。

你没有指定你需要这个。

• 如果您需要创建某种哈希表变体，将相似的字符串放在同一个存储桶中，soundex 变体可以工作，但您需要考虑到可能发生冲突的可能性。
• 如果您只需要说明两个字符串的相似程度，您还可以查看一个名为 Simil 的算法；请参阅此链接，或拼写检查相关算法。