Hash 通过相似性哈希/度量进行字符串聚类

我想将中等大小的10-20个字符的字符串汇总到组中。 这意味着，如果两个字符串非常相似，例如soccer和socer，则两者的哈希值应相似。以整数表示相似，或通过相似性度量返回0或1表示非常相似

是否有与聚类方法相关的基准或评估

现在我知道

直方图和一些。 这个 还是这个问题解决了很长时间，只有标准

---

提前非常感谢

要研究的最新技术可能有MinHash、LSH、WTA哈希等

您要寻找的不是集群，而是近乎重复的检测

例如，据报道，谷歌新闻（Google News）使用这种方法来检测几乎重复的新闻项目，而且有很多。在这里，您应该在字符上尝试相同的方法，可能还有n-gram