第一次编程作业

这个作业属于那个课程	班级链接
这个作业的要求在哪里	作业链接
这个作业的目标	论文查重算法设计+学习PSP表格+单元测试+JProfiler性能分析+Git管理

一、GitHub

3119005463

二、原理介绍

SimHash

SimHash本身属于一种局部敏感hash，其主要思想是降维，将高维的特征向量转化成一个f位的指纹（fingerprint），通过算出两个指纹的海明距离（hamming distince）来确定两篇文章的相似度，海明距离越小，相似度越低（根据 Detecting Near-Duplicates for Web Crawling 论文中所说），一般海明距离为3就代表两篇文章相同。

SimHash算法分为5个步骤：1.分词，2.hash，3.加权，4.合并，5.降维

1. 分词：本次所使用的分词器是IKAnalysis，需要安装 IKAnalyzer2012_u6.jar包
2. hash：通过hash算法把每个词变成hash值
3. 加权：通过 2步骤的hash生成结果，需要按照单词的权重形成加权数字串
4. 合并：把上面各个单词算出来的序列值累加，变成只有一个序列串
5. 降维：将第四步计算出来的序列串变为01串，形成我们最终的simhash签名。 如果每一位大于0记为1，小于0记为0。

三、算法实现

工程结构

关键代码

运行结果

四、模块接口的性能展示

• 内存消耗
  

• CPU负载
  

• 堆内存消耗情况
  

五、计算模块部分单元测试显示

单元测试代码

测试结果

六、PSP表格

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	30	30
· Estimate	· 估计这个任务需要多少时间	20	70
Development	开发	250	250
· Analysis	· 需求分析 (包括学习新技术)	300	400
· Design Spec	· 生成设计文档	30	20
· Design Review	· 设计复审	30	60
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	60	30
· Design	· 具体设计	30	30
· Coding	· 具体编码	200	120
· Code Review	· 代码复审	120	240
· Test	· 测试（自我测试，修改代码，提交修改）	60	120
Reporting	报告	70	120
· Test Repor	· 测试报告	60	40
· Size Measurement	· 计算工作量	30	30
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	30	120
· 合计		1260	1680

七、总结

本次作业让我学到了很多东西，受益匪浅。也发现了很多问题，比如对git，github不熟悉，编程能力也不够强。希望以后能多练习，取得更大的进步。