文本相似度

怎么用

1. 把第一段文本粘到 文本 A，第二段粘到 文本 B。
2. 点 计算相似度（或在任一输入框里按 Ctrl/Cmd + Enter）。
3. 看统计行：Levenshtein 编辑距离、相对较长一侧的 similarity 相似度百分比，以及 lines / words Jaccard 集合共同度。
4. 下面逐行标记：灰色是两边都有，红色是仅 A 有，绿色是仅 B 有。
5. Sample 载入两段几乎相同的字母句；Clear 清空两侧。

常见用法

• 查近似重复 —— 判断两版段落到底差多少，再决定是否算同一份。
• 审阅修改 —— 逐行 diff 两份草稿，快速看出加了什么、删了什么、改了哪句。
• 比对接口返回 —— diff 两段 JSON 或日志片段，定位变化的行。
• 数据集去重 —— 先按相似度给候选对排序，再合并记录。

常见问题

问：相似度百分比是怎么算的？ 答：1 - Levenshtein 距离 / 较长文本长度。插入或替换一个字符记一次编辑，所以短文本百分比跳动快，长文本变化慢。

问：Jaccard 的词是怎么切的？ 答：先统一小写，再切成拉丁字母数字词与连续 CJK 串。共有 token 除以两侧并集，100% 即两边 token 集合完全相同。

问：为什么某行标成「仅 A 有」，可右边明明有一行很像？ 答：行级 diff 是精确匹配：改一个字符两边就不同行，只能各自出现。字符级的相似度数字仍然反映它们的接近程度。