simhash计算原理：
简单的将，一篇文档的simhash（64位）是这样计算的：定义一个长度为64的数组s[]，初始化为0。针对文档中的每一个词，计算词的hash（64位），如果hash第i位为1，则将数组s[i]加1，否则s[i]减1。所有的词计算完毕后，将数组收缩：如果>0，置为1，否则置为0。得到64个0或1数字，组合成64位的数字，即为simhash。
注意：数组最好为64位，免得在位移操作时溢出（int溢出）导致不可预知的错误。
测试：
根据以上算法计算下面4篇文档的simhash（已手工分词）：
doc1：simhash 算法 原理 和 代码 实现
doc2：simhash 算法 的 原理 ( 转 )
doc3：simhash 算法 的 原理
doc4：simhash 与 重复 信息 识别
计算结果为：
doc1的simhash：1416492156445077734
doc2的simhash：16134270046245056934
doc3的simhash：497754534934831522
doc4的simhash：12263517492683995739
他们之间的海明距离分别为：
| doc1 | doc2 | doc3 | doc4 | |
| doc1 | ||||
| doc2 | 17 | |||
| doc3 | 15 | 12 | ||
| doc4 | 33 | 34 | 32 |
从表中可以看出doc2与doc3最相似，即"simhash 算法 的 原理 ( 转 )"与"simhash 算法 的 原理"最相似。
再添加一个doc5：simhash 的 原理 算法，由doc3调换词的顺序得来，发现doc3与doc5的simhash一样，二者最相似，与预期不一致。
这是由于考虑的特征太少所致，现在我们将词的顺序计算进来，简单的方法是将前后相邻的2个词拼接成一个组合词参与计算，这样就有了词的关联性。
重新计算的结果为：
doc1的simhash：15198202046059745510
doc2的simhash：14621043116870299878
doc3的simhash：9721126717995704674
doc4的simhash：10297596533213360614
doc5的simhash：12842524714518182744
他们之间的海明距离分别为：
| doc1 | doc2 | doc3 | doc4 | doc5 | |
| doc1 | |||||
| doc2 | 21 | ||||
| doc3 | 24 | 9 | |||
| doc4 | 22 | 11 | 12 | ||
| doc5 | 28 | 33 | 30 | 34 |
从表中看doc2与doc3最相似。
实际应用中可能要过滤掉常见词、标点符号、出现一次的词（很可能是噪音），添加其他特征。