I-match 算法

这种情况下，用 shingling 算法吧，简单容易实现。

jaccard 系数 余弦相似性

locality sensitive hashing - simhash, minhash

直接讲最简单的方法

step1. 中文分词

step2.构建单词 - 文档向量。比如说 text1(我们，都，码农……) text2(苹果，3 块钱，一斤…) 这种。

step3.对 2 中构建的向量使用聚类算法。比如 k-means 什么的。

建议直接看 k-means，具体实现可以用 R 也可以用 mahout 的库什么的。当然实装能力强的也可以自己写……

很多时候你认为这只是一个算法，其实特么算法才是最次要。

Simhash