怎么判断文章相似性

• 签名，例如md5经常用于判断文章相同，其效率比全文比对效率高 • 局部敏感哈希，例如minhash经常用于判断文章相似 • minhash的原理是，使用子集代表全集合，以子集的相似性模拟全集合的相似性 • 把文章转化为集合的常见方法是分词 • 分句，故意留错别字能够提高检测效率