轉自：https://blog.csdn.net/madujin/article/details/53152619
原理：
simhash是一種局部敏感hash。我們都知道什麼是hash。那什麼叫局部敏感呢，假定A、B具有一定的相似性，在hash之後，仍然能保持這種相似性，就稱之爲局部敏感hash。
在上文中，我們得到一個文檔的關鍵詞，取得一篇文章關鍵詞集合，又會降低對比效率，我們可以通過hash的方法，把上述得到的關鍵詞集合hash成一串二進制，這樣我們直接對比二進制數，看其相似性就可以得到兩篇文檔的相似性，在查看相似性的時候我們採用海明距離，即在對比二進制的時候，我們看其有多少位不同，就稱海明距離爲多少。在這裏，我是將文章simhash得到一串64位的二進制，一般取海明距離爲3作爲閾值，即在64位二進制中，只有三位不同，我們就認爲兩個文檔是相似的。當然了，這裏可以根據自己的需求來設置閾值。
就這樣，我們把一篇文檔用一個二進制代表了，也就是把一個文檔hash之後得到一串二進制數的算法，稱這個hash爲simhash。
具體simhash步驟如下：
（1）將文檔分詞，取一個文章的TF-IDF權重最高的前20個詞（feature）和權重（weight）。即一篇文檔得到一個長度爲20的（feature：weight）的集合。
（2）對其中的詞（feature），進行普通的哈希之後得到一個64爲的二進制，得到長度爲20的（hash : weight）的集合。
（3）根據（2）中得到一串二進制數（hash）中相應位置是1是0，對相應位置取正值weight和負值weight。例如一個詞進過（2）得到（010111：5）進過步驟（3）之後可以得到列表[-5,5,-5,5,5,5]，即對一個文檔，我們可以得到20個長度爲64的列表[weight，-weight…weight]。
（4）對（3）中20個列表進行列向累加得到一個列表。如[-5,5,-5,5,5,5]、[-3,-3,-3,3,-3,3]、[1,-1,-1,1,1,1]進行列向累加得到[-7，1，-9，9，3，9]，這樣，我們對一個文檔得到，一個長度爲64的列表。
（5）對（4）中得到的列表中每個值進行判斷，當爲負值的時候去0，正值取1。例如，[-7，1，-9，9，3，9]得到010111，這樣，我們就得到一個文檔的simhash值了。
（6）計算相似性。連個simhash取異或，看其中1的個數是否超過3。超過3則判定爲不相似，小於等於3則判定爲相似。
https://img-blog.csdn.net/20161114000908955