① 怎麼用lucene判斷兩篇文章的相似度 java
用演算法中的求最大相似子字元串的方法LCS或許可以，它可以找到兩個字元串中最大相似的子字元串。
Java code
/*
* @author talent_marquis<甜菜侯爵>
* Email: [email protected]
* Copyright (C) 2007 talent_marquis<甜菜侯爵>
* All rights reserved.
*/
package ustc.mse.algorithms.dynamicProgramming;
/*
* LCS, Longest-Common-Subsequence
*/
public class LCS
{
public enum DIRECTION{ TOP, TOP_LEFT, LEFT };
private char[] first;
private char[] second;
private int[][] lcsTable;
private DIRECTION[][] lcsAssistTable;
private int lcsLength;
private String lcs_str, lcsMatrix_str, lcsAssistMatrix_str;
private StringBuffer str_buffer;
public LCS( String str1, String str2 )
{
first = str1.toCharArray();
second = str2.toCharArray();
lcsTable = new int[ first.length + 1 ][ second.length + 1 ];
lcsAssistTable = new DIRECTION[ first.length + 1 ][ second.length + 1];
lcs_str = null;
② 怎樣用python或者是java計算文本相似度
第一步：把每個網頁文本分詞，成為詞包（bag of words）。
第三步：統計網頁（文檔）總數M。
第三步：統計第一個網頁詞數N，計算第一個網頁第一個詞在該網頁中出現的次數n，再找出該詞在所有文檔中出現的次數m。則該詞的tf-idf 為：n/N * 1/(m/M) （還有其它的歸一化公式，這里是最基本最直觀的公式）
第四步：重復第三步，計算出一個網頁所有詞的tf-idf 值。
第五步：重復第四步，計算出所有網頁每個詞的tf-idf 值。
3、處理用戶查詢
第一步：對用戶查詢進行分詞。
第二步：根據網頁庫（文檔）的數據，計算用戶查詢中每個詞的tf-idf 值。
4、相似度的計算
使用餘弦相似度來計算用戶查詢和每個網頁之間的夾角。夾角越小，越相似。
③ java如何實現超過10w條文本數據的相似度計算
最簡單的、最節省性能的方法是建立字典。 字典的索引就是字本身，遍歷字元串，沒遇到一個字就加入到字典中，加入的時候判斷下，如果索引存在則加1，不存在則創建，然後在取字典最大值，大於6就報錯。 上面說的字典可以用java中的hashMap實現。
④ 用java判斷兩個文件的相似度
兩個文件轉化為二進制流數組或者鏈表，定義一個int變數n初值為0，遍歷兩個文件數組，每個節點相同無操作，不同n++;
然後拿 n與 文件數組的大小做比較，，，
⑤ java 如何判斷手寫與機打文字的相似度
這個不是java的問題吧，看看深度學習。
基礎教學就有個是手寫文字的判斷。
可以把樣板文字改成楷體，要機器學習學習。
最後輸入手寫文字，看命中率吧。
⑥ 文本相似度演算法-Jaro distance
給定兩個灶指衡文本串 , ,他們的Joro距離定義為：
求 match 的字元數：
分別來自 , 的字元，當他們相同或者距離小於 ,則被認為是 match 的。
比如： =「DIXON」, =「DICKSONX」
中的逗滑每一個字元都會與 中距離 內的字元進行比較。將所有 match 的字元隱做串，需要替調換順序才能匹配的總數除以二就是transpositions的大小 。這里兩個字元串中匹配的分別是："DION"，「DION",所以 。
另外 =4, =8,
則：
參考：
https://rosettacode.org/wiki/Jaro_distance#Java
⑦ java學到哪才可以檢測兩個文本的相似度
學到IO流可以比較文本了， 不過用IO比較文本比較麻煩， 而且效率低
如果要效率高的話， 就需要學
linux + thread + progress
這樣子可以通過java調用linux命令
linux中有一個comm -12命令來實現比較兩個文件的共同數據， 生成一個新文本。 拿到新文本的大小/舊文本的大小， 舊可以粗略計算出相似度， 而且效率極其高
如果文本有上百萬行數據的話， 用IO可能要十幾個小時才有結果， 但是linux命令只需要1分鍾左右就可以出結果