针对网络新闻的特点，从人名、时间名、地点名、组织机构名、内容五个方面抽取特征词形成特征向量。在此基础上，分别进 行了相似度计算，其中，人名、组织机构名、内容采用余弦夹角的方法，时间和地点向量，相似度计算采用了引入报道时间和关联度 计算。最后，使用这5 个相似度作为特征，使用SVM 进行训练，并在测试集上进行了测试。测试结果表明，这种方法可以有效地改 善系统的性能。

本文提出了一种基于hownet提取出词语的词义，用词语的词义代替传统的词形频率统计方法，并基于词义排歧建立主题语义概念向量空间模型。通过对抽取出的语句进行句子相似度的计算提高文摘精确度，设计实现了一个中文自动文摘系统。

实现句子相似度计算，实现了两种，一个是词形相似度一个是词序相似度

实现句子相似度计算，实现了两种，一个是词形相似度一个是词序相似度

simhash 高效的文本相似度去重算法实现 simhash是什么 Google发明的的文本去重算法，适合于大批量文档的相似度计算。 流程介绍 simhash是由 Charikar 在2002年提出来的，为了便于理解尽量不使用数学公式，分为这几步： 1、分词，把需要判断文本分词形成这个文章的特征单词。 2、hash，通过hash算法把每个词变成hash值，比如“美国”通过hash算法计算为 100101,“51区”通过hash算法计算为 101011。这样我们的字符串就变成了一串串