当前位置：首页 > PHP

simhash php实现

2026-02-28 13:21:19PHP

SimHash 的 PHP 实现

SimHash 是一种用于文本相似度计算的算法，适用于海量文本去重或相似内容检测。以下是基于 PHP 的实现方法：

实现步骤

分词与权重分配 对输入文本进行分词处理，并为每个词分配权重。权重可以基于词频或 TF-IDF 计算。例如：

function tokenize($text) {
    $words = preg_split('/\s+/', strtolower($text));
    return array_count_values($words); // 词频作为权重
}

哈希生成 对每个分词生成 64 位的哈希值（如使用 MD5 并截取）：

simhash php实现

function hashToken($token) {
    return substr(md5($token), 0, 16); // 截取16字符作为64位哈希
}

加权哈希向量 将每个词的哈希值转换为二进制，并根据权重调整向量：

function weightedHash($token, $weight) {
    $hash = hashToken($token);
    $binary = '';
    for ($i = 0; $i < strlen($hash); $i++) {
        $bin = str_pad(decbin(hexdec($hash[$i])), 4, '0', STR_PAD_LEFT);
        $binary .= $bin;
    }
    $vector = array();
    for ($i = 0; $i < strlen($binary); $i++) {
        $vector[$i] = ($binary[$i] == '1') ? $weight : -$weight;
    }
    return $vector;
}

向量叠加 合并所有分词的加权向量：

simhash php实现

function mergeVectors($vectors) {
    $result = array_fill(0, 64, 0);
    foreach ($vectors as $vector) {
        for ($i = 0; $i < 64; $i++) {
            $result[$i] += $vector[$i];
        }
    }
    return $result;
}

生成 SimHash 将叠加后的向量转换为 0/1 的二进制签名：

function simhash($text) {
    $tokens = tokenize($text);
    $vectors = array();
    foreach ($tokens as $token => $weight) {
        $vectors[] = weightedHash($token, $weight);
    }
    $merged = mergeVectors($vectors);
    $hash = '';
    foreach ($merged as $bit) {
        $hash .= ($bit > 0) ? '1' : '0';
    }
    return $hash;
}

相似度计算

通过汉明距离比较两个 SimHash 的相似度：

function hammingDistance($hash1, $hash2) {
    $distance = 0;
    for ($i = 0; $i < strlen($hash1); $i++) {
        if ($hash1[$i] != $hash2[$i]) $distance++;
    }
    return $distance;
}

使用示例

$text1 = "This is a sample text";
$text2 = "This is another example text";
$hash1 = simhash($text1);
$hash2 = simhash($text2);
$distance = hammingDistance($hash1, $hash2);
echo "Similarity distance: $distance";