我需要实现w-shingling（在Java中）以比较两个html文档的相似性。问题是如何收集和存放带状疱疹。假设（a，rose，is，a，rose，is，a，rose）是这些文档之一。我猜我的算法（使用LinkedList）不会是最快的：
从文档（a）中获取下一个单词-如果没有其他单词，请在此处停止。
检查（a）带状疱疹清单中的出现情况
如果出现在那里，请转到第一步
如果不是，请将其附加到列表并转到第一步
正如我所预测的那样，对于大型文档，这可能会非常慢。您能给我一些提示使其更快吗...？
最佳答案
根据算法，您必须首先创建所有可能的w-shinglings-文档中出现的w-length个单词序列。您需要维护一个从文档中读取的单词长度为w的序列窗口（即读取w + 1个单词后，您可能会丢弃缓冲区中的第一个单词）。
为了存储w-shingling，您可以创建不可变的类并实现equals()和hashCode()以提高比较性能。在构建带状碎片时，您可以将它们存储在Set中，以动态消除重复项。
关于java - W-shingling实现-存储带状疱疹，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/9182792/