本文以谷歌的SimHash为例子介绍下文章去重的基本原理，不同算法原理不同，只是帮大家做个快速入门。算法原理：算法的核心是将文本生成一个二进制hash签名，通过对文章特征的提取，并对特征的的hash进行加权处理，最后合并hash值，得到一个二进制指纹hash。通过计算指纹上相同位置不同数字的个数来计...

本人就是非计算机，后来自学编程，最后做了软件，主要是网站后台开发相关的工作。说说我学习开发的经历和经验，希望能给你以借鉴。开始的的时候学校开过C语言课程，所以有一定了解，但是不是很懂，算是入门。后来自己想学习网站开发，就放弃了C语言。当时上网查询，作为网络开发，有两大语言asp和php，asp是以v...

做网站，尤其是内容型的网站，免不了要做内容推荐。其实这与搜索引擎类似，也可以把搜索引擎看做一种关键词的推荐系统。一般来说推荐系统是根据用户的喜好和时间等信息进行排序。重点在于如何评分，一般的文章系统采用的是时间倒序排列，比较智能的就是根据用户的浏览信息智能提取文章，这类的就是根据相似性排序的，也是比...

Master.javapackage com.qinggl.www.recommend;import java.util.ArrayList;import java.util.HashMap;import java.util.Iterator;import java.util.List;import...

今天跟各位同学讲解下有关Hreflang标签的知识，如果，你有过优化多语言网站SEO的经历，相信对这个标签并不陌生。希望，今天分享的内容能够对各位同学有所帮助。为什么需要hreflang标签？有时候情况复杂点，同一个国家使用多种语言，而且使用人数差别没有那么大，像中文在中国这样具有压倒性主流地位，如...

java 是开源的，而且你可以免费使用。但是java的开发工具，有不同版本。常见的是OpenJDK，Oracle JDK。关于Oracle JDK和OpenJDK的区别：openjdk采用GPL V2协议，而JDK则采用JRL。GPL V2允许在商业上使用，JRL只允许个人免费使用。OpenJDK ...

来源：数据猿 作者：文辉 原文： 文本指纹介绍 互联网网页存在大量的重复内容网页，无论对于搜索引擎的网页去重和过滤、新闻小说等内容网站的内容反盗版和追踪、还是社交媒体等文本去重和聚类，都需要对网页或者文本进行去重和过滤。 最简单的文本相似性计算方法可以利用空间向量模型，计算分词后的文本的特征向量的相...

仅提供一种方法作为参考:1.图形二值化同时去除杂点,注意二值化的比较值确定.凸出部分为1,凹下部分为0.生成0和1的点矩阵D[][](存储点矩阵的方式有很多,可以选择对算法有帮助的结构存储)  //假设点矩阵大小512*512;  Byte d[51...

注：翻译自 scikit-learn 的 User Guide 中关于文本特征提取部分。1. 词袋（Bag of Words）表示文本分析是机器学习的一大应用领域，但是长度不一的字符序列是无法直接作为算法的输入。为了解决这个问题，scikit-learn 提供了几个常用的文本特征提取的方法： ...

很多人应该听说python在人工智能上的应用很广泛，很多人也做了分析，但本人认为他们都过于强调语言本身的特点了，而忽略了开发的人。人工智能，是一个智能化很高的行业，对于算法的要求自然非常高，在复杂的算法下维护的难度自然就更大，对于智能开发而言，是一个多学科且专业度很高领域，一般专业的程序员并不具备这...