在摸索学习数据分析处理。 其中在相似文章汇总处卡住，找不到较好的相关教程、文档、思绪。
目前我使用的是 simhash，分 4 分比照，但是效果不佳。
海明距离小于等于 3 的基本是原文一字不改的文章。 我发现海明距离 9 以内的也非常相似。
按照 simhash64 位分 4 份，按照 1 份相同就判断为海明距离 3 以内。 如果想分为 8 分，又要怎么计算呢。
我希望实现 9 以内的能够汇总在一起。
另外请问如何通过标题做相似汇总？
请各位大佬给点思绪或者教程。
不胜感激！以身相许！
这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.