html-similarity 0.3.2

结构相似性

我们使用html标记的序列比较来计算结构相似性，而不是 树编辑距离，因为树编辑距离比序列比较慢。

序列比较的思想取自Page Compare。

风格相似性

提取每个html文档的css类并计算这些类集合的jaccard相似性。 这个想法取自[1]

关节相似性（结构相似性和样式相似性）

关节相似性度量计算如下：

k * structural_similarity(document_1, document_2) + (1 - k) * style_similarity(document_1, document_2)

这是从[1]

值的间隔为0和1。

关节相似性建议

使用k=0.3可以获得更好的结果。样式相似性可以提供更多信息 关于相似性而不是风格。