个人项目：论文查重

| 这个作业属于哪个课程| |
| ---- | ---- | ---- |
|这个作业要求在哪里| https://edu.cnblogs.com/campus/gdgy/Networkengineering1834/homework/11146 |
| 这个作业的目标 | 1.简单的自我介绍
2.关于软工的五个问题 |
| 传送门 | https://github.com/asiL-tcefreP/-software-engineering-2/tree/master|

一、模块接口的设计与实现过程

1.1 算法来源

文本相似度计算常用于网页去重以及NLP里文本分析等场景。文本相似度，可以分为两种，一种是字面相似度，另一种是语义相似度。本文记录的是文本的字面相似度的计算及实现，语义相似度计算则需要海量数据去计算语义值，较为复杂。
最常用的且最简单的两种文本相似检测方法：局部敏感hash、余弦相似度

在本案例中，用到的是局部敏感hash(LSH)中的simhash。计算出simhash值后，再计算hash值得汉明距离，即可得到文本的相似程度。

汉明距离：

定义：两个长度相同的字符串对应位字符不同的个数

两个关键点：

长度相同
对应位字符不同
传送门: SimHash详细介绍.

1.2 项目结构

包含文件读写类以及算法的实现类

方法的接口如下：

package pers.fjl.papercheck.service;
/**
 * @program: PaperCheck
 *
 * @description: ${description}
 *
 * @author: Fang Jiale
 *
 * @create: 2020-10-24 17:05
 **/
import pers.fjl.papercheck.service.impl.SimHashImpl;

import java.math.BigInteger;
import java.util.List;

public interface SimHash {
    /**
     * SimHash模块
     * @return
     */
    BigInteger simHash();

    /**
     *计算哈希值
     * @param source
     * @return
     */
    BigInteger hash(String source);

    /**
     * 汉明距离
     * @param other
     * @return
     */
    int hammingDistance(SimHashImpl other);

    /**
     *计算汉明距离
     * @param str1
     * @param str2
     * @return
     */
    double getDistance(String str1, String str2);

    /**
     *获取特征值
     * @param simHashImpl
     * @param distance
     * @return
     */
    List subByDistance(SimHashImpl simHashImpl, int distance);
}