simhash 与 重复信息识别

[dododada]

最近搞文本相似，simhash得到的64位fingerprint，测试发现hamming distance在10左右的时候相似。
问题来了，下一步给定hash值，搜索hamming distance在10左右的fingerprint，没想明白怎么回事。csdn上有一篇文章： http://blog.csdn.net/meijia_tts/article/details/8001016，比较愚钝，后续处理没怎么看懂
有没有做过相关工作的兄弟，指导指导啊

[shadowind]

搜下这篇论文看看吧，里面有具体设计的公式，再结合这篇博客理解下。我没搞过文本相似性，但搞过图片的相似性，你这汉明距离都到10了才相似，是不是数据量不够啊？