将相似字符串散列为相同的散列值

Question

是否有某种散列算法可以将相似的文本文档散列为特定的散列值？

例如,

A= "This is Sample Text 1“B= "This is Sample Text 2”

A和B需要散列为相同的值。

我做了一些研究，阅读了一些关于SimHash和LSH算法的文章。Simhash会导致哈希冲突，可以使用汉明距离来定义相似度。

理想情况下，我希望“如果字符串A和字符串B相差一个可接受的相似性阈值(t < tmax)，则将A和B散列为相同的散列值。”

Answer 1

一个显而易见的选择是使用Soundex或其变体之一(取决于这些单词的语言)。

你没有指定你需要这个做什么。

• 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存储桶中，soundex变体可以工作，但您需要考虑可能发生冲突的可能性。
• 如果您只需要说明两个字符串有多相似，您也可以查看名为Simil的算法；请参阅this link，或拼写检查相关算法。