Búsqueda de similitud

Compara dos textos o imágenes localmente. Mayor similitud indica mayor coincidencia, menor distancia menos diferencia. Compara tokens/píxeles, no búsqueda semántica, plagio ni objetos. CSV guarda valores sin redondear y parámetros. Usa Distance Metric Explorer para vectores/conjuntos/bits numéricos.

Texto escrito, pegado o archivos UTF-8: 50 000 unidades UTF-16 por texto, 1 MiB por archivo; un archivo excesivo conserva el texto anterior. Palabras: secuencias Unicode de letras/dígitos en minúsculas, separadas por puntuación, sin raíces, stopwords ni segmentación lingüística. Caracteres: puntos de código normalizados NFC, sensibles a mayúsculas, sin espacios; un grafema puede tener varios puntos. Jaccard compara intersección/unión de tokens distintos, coseno sus frecuencias sin orden, Hamming cuenta tokens diferentes en posiciones iguales según el modo, con igual número. Se rechazan secuencias vacías. «cat cat dog» / «cat fox»: Jaccard 1/3, coseno 2/√10. Recuentos distingue total y tokens distintos.

PNG/JPEG/WebP/GIF/BMP hasta 5 MiB y 16 megapíxeles, con archivo/arrastrar/pegar. Dos rejillas 128×128 en gris (0,299R+0,587G+0,114B)/255. Transparencia sobre blanco; proporciones centradas con márgenes blancos o estiramiento cuadrado. Las vistas muestran las rejillas comparadas; los márgenes cuentan. Remuestreo puede variar ligeramente por navegador; no hay alineación ni invariancia a rotación/color/encuadre. GIF usa el fotograma decodificado, no compara animaciones.

Euclídea: sqrt(sum((a−b)²)), Manhattan: sum(|a−b|), píxeles 0–1; distancias sin normalizar. Coseno: producto escalar normalizado, distancia 1−similitud; una imagen comparada negra completa es indefinida. Hamming/Jaccard: brillo ≥ umbral 0–1 es 1. Hamming cuenta píxeles distintos, similitud 1−cuenta/16384; Jaccard compara ubicaciones claras. Dos conjuntos claros vacíos tienen similitud 1. El umbral pierde matices. Cálculo local; errores conservan la imagen válida anterior.