我有一堆文件，其中一些文件是其他文件的副本，其文字混乱，一些文字被他们的同义词取代。下面提到的是一个句子的例子：
第1条（原件） ：我在镇上买了John Snow，在Kingslanding五金店购买修理破损的拖拉机。斯诺一生养大豆，他的父亲和他们的父亲也是如此。我问他关于他在农场的生活。
第2条（重复） ：我在购买的城市中获得了John Snow，以便在Kingslanding制造硬件以修复损坏的电动拖拉机。雪有大豆蚕豆完整的生命已被治疗，如其父亲和他们的父亲。我问他关于农业公司的生活。
第3条（重复） ：我带着John Snow进入了在Kingslanding硬件仓库购买的城市修理破损的拖拉机。斯诺一生都在培育大豆，就像父亲和父母一样。我向他询问了它在农场的生活。
第4条（重复） ：与约翰斯诺市中心相比，我采取了自己的方式来购买物品以维修破损的拖拉机。雪就像他/她的父亲和他们的父亲一样培养了整个生命。我质问他与农场的生活。
我想做一个文档相似性，最终在同一组中标记所有这些文档。任何建议以及示例或教程将不胜感激。
答案 0 :(得分：0)
Descartes是一个用于满足/文档级相似性的包： http://cogcomp.cs.illinois.edu/page/software_view/Descartes
您可以比较两个文档是否足够接近。
答案 1 :(得分：0)
这似乎是Locality Sensitive Hashing的教科书案例。 查看this SO thread