🔍 文本相似度 / 查重计算器
集成 SimHash（长文本指纹）、余弦相似度（词向量）、编辑距离（字符级）、Jaccard N-gram 4 种算法。差异高亮可视化对比，支持批量查重矩阵，文件不上传。
• SimHash（64-bit 指纹）：把文本分词后对每个词的 hash 加权求和 → 降维成 64 位二进制指纹。两段文本的海明距离（不同位数）越低越相似。适合海量文档去重，Google 用此法做网页去重。
• 余弦相似度：把文本转成词频向量，计算两向量夹角余弦值。适合长度差异较大的两段文本。
• Jaccard 相似度：将文本切成 N-gram 片段（默认 3 字），看两集合交集/并集的比例。适合短语级查重。
• 编辑距离（Levenshtein）：把 A 改成 B 至少需要多少步增删改。适合短文本 / 字符级对比（如代码、姓名）。
• 综合相似度：4 种算法加权平均（SimHash 30% + 余弦 30% + Jaccard 30% + 编辑 10%），作为快速参考。
• 论文查重：把两段文章粘进去，看综合相似度（80% 以上基本是抄袭）
• 合同比对：新版本 vs 旧版本，红色 / 绿色高亮一眼看出改了哪些条款
• 自媒体原创度：把自己的稿件 vs 同题热门文章，看是否过度"借鉴"
• 爬虫数据去重：批量模式生成 NxN 矩阵，定位重复对后人工删重
• 代码相似度：编辑距离适合"复制粘贴改名"类代码克隆检测
• 为什么 4 个算法结果差异大？不同算法适用场景不同：SimHash 看整体，余弦看词频，Jaccard 看短语，编辑距离看字符。综合看至少 2 个算法都高才是真重复。
• 中文分词准确吗？本工具用双字切分（bigram）作为通用方案，未做专业分词。学术场景建议用更专业工具（如 Jieba）。
• 数据安全？所有计算在浏览器本地完成，文本不上传任何服务器。