- 1、本文档共15页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
面向论文相似性检测的数据预处理研究汇
面向论文相似性检测的数据预处理研究
刘伙玉1,3 王东波2
1(南京大学信息管理学院 江苏南京 210023)
2(南京农业大学信息科学技术学院 江苏南京 210095)
3(江苏省数据工程与知识服务重点实验室 江苏南京 210023)
摘要:【目的】探究论文相似性检测中数据预处理的数据问题及相关方法。【方法】对数据预处理中的数据清洗、数据集成、数据变换和数据归约进行概述;对数据进行了细致的分析,采用基于规则的方法、基于统计的方法、基于语义的方法进行预处理。【结果】揭示了论文相似性检测中原始数据存在的数据质量问题,并在此基础上给出了数据预处理模型。【结论】
数据预处理有助于提高论文相似性检测结果的准确性;有效结合基于规则、统计、语义的三种方法有助于提高数据预处理效果。
关键词:相似性检测;抄袭检测;数据预处理;数据质量;数据清洗
分类号:TP311.13
Research and Implementation of Data Preprocessing Oriented to Paper Similarity Detection
LIU Huoyu1,3 WANG Dongbo2
1(School of Information Management, Nanjing University, Nanjing 210023, China)
2(College of Information and Technology, Nanjing Agricultural University, Nanjing 210095, China)
3(Jiangsu Key Laboratory of Data Engineering and Knowledge Service, Nanjing 210023, China)
ABSTRACT:ata preprocessing on paper similarity detection. [Methods] This article firstly summarizes data cleaning、data integration、data transformation and data reductionmakes a deep analysis to original data, and briefly introduces three data preprocessing methods: The rule-based method, the statistics-based method and semantic-based method. [Results] There are many data problems in the original data, based on which it describes the model of data preprocessing. [Conclusions] Data preprocessing can help to improve the accuracy of paper similarity detection; use the three methods together can improve the effect of data preprocessing.
KEY WORDS: Similarity Detection; Plagiarism Detection; Data Preprocessing; Data Quality; Data Cleaning
1 引言
1.1 研究背景与意义
随着云计算、物联网等技术的兴起,以博客(微博)、社交网络为代表的新型信息发布方式的不断涌现,计算机信息系统在各行各业的普及,数据种类和规模正以前所未有的速度在增长和累积[1]。大数据时代的到来,使得各行各业的决策也从“业务驱动”开始向“数据驱动”转变,从海量的数据中获取潜在的有价值的信息也成为学术、商业、军事等领域关注的重中之重。然而纷繁复杂的数据往往都存在着大量质量问题,这将直接影响数据的信息服务质量;因此大数据分析离不开数据质量和数据管理,高质量的数据和有效的数据管理,都保证分析结果的真实和有价值。
1.2 研究内容
相似性检测(Similarity detection)就是判断一个文件(包括文档、图像、音频、视频等文件)的内容与其他某个或多个文件是否相似并根据检测结果给出一个相似度的数值表示。按照其检测的对象,可以分为文档、图像、音频、视频相似性检测等。文档相似性检测又可分程序或代码相似性检测和自然语言文本相似性检测[2]。论文相似性检测属于自然语言相似性检测中的一种,就是判断一篇论文的内容是否与其他某篇或多篇论文相似,给出相
您可能关注的文档
- 长春证大光明城四期商业研究可行性报告(doc 47)汇.doc
- 长株潭及周边城市房地产市场年报(2010年)(下)汇.doc
- 长江至上海洋山深水港区航线签注船员培训、考试办法汇.doc
- tcp应用编程幻灯片.ppt
- 长沙天城-湖光山色项目营销及推广策略研究报告-61DOC汇.doc
- 长沙师范学校第二校区图书馆工程幕墙及轻钢雨蓬工程施工组织设计汇.doc
- 长沙市印刷大市场可行性研究报告汇.doc
- 长沙理工大学2010-2011学年第一学期工作计划进程一览表汇.doc
- 长沙市轨道交通1号线一期工程机电设备安装及设备区建筑装修工程(06标段)尚双塘站临电施工方案汇.doc
- 长沙市轨道交通2号线西延一期工程自动化控制系统施工安装项目施工组织设计汇.doc
- 分析let s单元56ago2卷纸zheng unit56.pdf
- 塑胶材料其它分类原料pa9t 12.pdf
- md16x16数字媒体切换器设备.pdf
- 者参考项目发起人学科类型单位序列承包商修订页代码顺序典型.pdf
- 届世界天然气大会阿姆斯特丹2006add10288.pdf
- 期测试记录表每周weekly g1g6 journeys tests level 6 lesson26.pdf
- modernize-whitepaper现代化您应用程序白皮书.pdf
- anybackup产品典型案例分析.pdf
- 约克金融工程课程tfeslide32.pdf
- 广州市妇女儿童医疗中心历份教学药历01tjy.pdf
文档评论(0)