Программа на matlab за денежное вознаграждение

[ДенSID]

короче у меня проблемка с курсовой работой:есть теоретическая часть,но не могу осилить практическую часть.программа нужна на matlab.суть всей работы заключается в поиске дубликатов текстовых файлов.имеется массив данных и с ее помощью нужно сравнить тексты на сколько близкими они являются. программа строится в два этапа.на первом мы представляем текст в заданном виде например хэш-коды md5,crc32,sha-1 либо другие способы tf,tf-idf....и тд.потом с помощью различных мер мы сравниваем полученные значения(мера Жаккарда,косинусная мера...).полученное значение от 0 до 1.чем ближе значение к 1 тем более близкие наши тексты(один-дубликат второго).по деньгам думаю 2-2.5к. Только сразу условие.если вы в этой области шарите-тогда пишите, так как работу надо сделать в очень короткие сроки и качественно.
P.S. В помощь для начала есть программа считающая md5 для текста,и вторая программа, считывающая из директории все текстовые файлы в txt и проводит разбор текстов.

[Black Fregat]

Пишите подробнее black.fregat@gmail.com

Пока достаточно мало понятно, что именно Вы хотите сделать. Наибольшие вопросы вызывает вот эта фраза: "мы представляем текст в заданном виде например хэш-коды md5,crc32,sha-1". Дело в том, что перечисленные хэш-функции дают большое изменение функции при малых изменениях текста. Так что никакая мера над значениями md5 и sha-1 не позволит оценить близость самих текстов. Или вы будете насчитывать много md5 и sha-1 по разным кусочкам текстов? Честно говоря, тоже представляется весьма сомнительным..

[dimon_klopik]

согласен, задача поставлена весьма туманно - каким образом с помощью md5 можно определить близость текстов... впрочем, можно обсудить и разобраться что действительно вам нужно, ДенSID Для связи ICQ 577886327, почта klopin12@gmail.com или в Л/С.

[ДенSID]

Md5 используется по сути для определения точных дубликатов,на сколько мне известно.и md5 у меня вычисляется для всего файла. Остальные 2 метода хэширования используются в алгоритмах tf, tf-idf и так далее. так вот например есть алгоритм представления текста называется LONG SENT: Весь текст разбивается на предложения,которые сортируются в порядке убывания длины.Потом берутся 2 самых длинных предложения и из них составляется строка.Потом для этой строки считается crc32 это и будет сигнатура документа. ну и все в таком духе.всего 19 методов представления текста и 9 мер.

[ДенSID]

Black Fregat я Вам написал на почту,но вы пока не отвечаете

[mikefreel]

номер ICQ: 565460353 или 480964456
mikefreelance@rambler.ru

[ДенSID]

Работа взята.Закройте тему