TG内容相似性检测的MinHash参数优化

MinHash调参可以尝试以下几个方面：

1. 哈希次数256~512，越大越慢，越小越不精准；

2. 取样量建议超过原文本的50%，取样太少容易丢失重要特征；

3. 先用Jaccard系数定准基线，再调整阈值0.7~0.8；

4. 文本预处理：比如去除telegram特殊符号和链接等；

5. 多关注短文本，MinHash对短文本不敏感。实际跑完后用混淆矩阵验证。

MinHash参数调优看场景，一般哈希次数30~100足够，采样量看数据量，建议先跑200~500样本，Telegram场景消息多为短文本，可减少哈希次数防止过拟合。预处理记得去掉无意义的符号和空格，提升效果。在线等的话，先跑这个组合，边跑边调。

MinHash调参别瞎猜！核心思路：哈希次数取平均消息长度1.2-1.5倍，取样数量按数据量定，百万级消息300-500个signature足矣。Telegram消息短，哈希次数要减少避免过拟合，先滑动窗口分词，Jaccard校准阈值。先跑小样验证效果再全量跑。

MinHash调参不用纠结，直接试试哈希30~100次，样本根据数据量取，越多消息越多样本。预处理一定要剔除emoji和链接，否则效果差一半。急的话先跑个1000条验证逻辑，再慢慢放大。线上跑通了记得反馈！