论文抄袭识别技术研究综述 - 数字图书馆论坛.pdf

论文抄袭识别技术研究综述 □ 苏建华 / 西南政法大学图书馆 重庆 400031 摘要：复制检测技术在知识产权保护和信息检索中有着重要应用。文档复制检测在初期主要检测程序复 制，现在则主要为文本复制检测。文章首先介绍复制检测技术的发展中文，接着详细分析了目前已知各种文 本复制检测系统的检测方法和技术特点，最后指出了中文文本复制检测技术的发展方向。 关键词：文档复制检测，抄袭检测，信息检索 DLFDLF 用 应 与 术 技 抄袭论文识别技术属于复制检测 （c o p y 方法主要有基于数字指纹的方法、基于字符串比较 detection ）技术中的一种，复制检测也称剽窃检测 的方法、基于V SM 的方法、基于语义序列模式的 （plagiarism detection ），就是判断一篇文档是否抄 方法和基于写作风格的方法等。典型的原型试验系 袭了其他文档的内容，是实施知识产权保护的一种 统有COPS[3] 、SCAM[4] 、CHECK[5] 、PPChecker[6] 、 T 重要手段。文档间的抄袭不仅意味着原样复制，还 WCopyfind （http :/// ）、 e [7] [8] c 包括词语句子级别的增加、删除、顺序调整和同义 MDR 、CD SDG 等。这些研究分别代表了不同 h n o 改写。该研究是建立在对数字文档及文本的分析处 的技术实现方法，COPS采用的是数字指纹方法， l o g 理基础上的。数字文档可分为自然语言文本 （比如 CHECK是基于VSM 的方法，PPChecker是基于语义 y 小说、论文等）和形式语言文本 （例如数据文件、 序列模式的方法，WCopyfind是基于字符串比较实现 a n d 计算机程序代码等）。形式语言文本具有严格的形 的一个项目。目前国内关于中文文档复制检测的研 A 式化语法、清晰的语义表达，容易分析处理，所 究也越来越多，西安交大的鲍军鹏、大连理工大学 p p 以形式化语言文本的抄袭识别研究较早，从1976年 的史彦军、金博等人发表了一系列相关文献并构建 l i c a Ottenstein提出属性计数法 （attribute counting ）检测 了相关试验系统，宋擒豹提出了数字商品非法复制 t i o 和防止程序抄袭后，就出现了很多形式化文本抄袭 的检测算法，但是关于建立在超大规模数据集上的 n 识别系统，并取得较好效果。而学术论文作为自然 中文文档复制检测系统还没有相关研究。 语言文本，没有形式化语法约束，语义具有歧义