基于指纹的中文文档复制检测技术幻灯片课件.pptVIP

1 基于指纹的中文文档复制检测系统 4 研究意义 在数字图书馆里文档主要以电子形式存在，所以很容易被拷贝，经常出现剽窃论文的现象，这种现象必须解决，否则信息所有者不愿意将宝贵的信息发布到图书馆中，而且这些剽窃的文档占有存储空间。在数字图书馆中加入复制检测技术可以检测出剽窃文档，保护信息所有者的知识产权。 信息检索 在进行信息检索时总是希望尽快找到准确的内容，一篇文档很有可能以多种格式存在，检索时可能返回多个结果，这就降低了检索效率且浪费网络资源。如果在提交此结果之前我们先加入一个复制检测系统来优先索引网页，如果新的网页被发现与已经索引的网页相似度很大,那么不再提交此网页。 网上论文提交 现在存在很多网上论文提交系统，在论文提交后，编辑们要处理两个问题：一是提交的论文与别人在以前的会议、杂志、学术报告上有多大的相似性；另外，还要检查现在提交的论文与作者本人以前发表论文有多少不同。 数字图书馆 5 复制检测又称剽窃检测（plagiarism detection），就是判断一个文件的内容是否抄袭、剽窃或者复制于另外一个或者多个文件，剽窃不仅仅意味着原封不动地照搬还包括对原文内容的移位交换、同义词替换、改变说法重述等。 复制检测的定义 6 2006年，Namoh Kang等从剽窃模式的角度进行文本复制检测的研究，描述了文本复制检测从难到易的检测层次（如下面图），该模式按照难易程度将文本复制检测分为各个层次的检测，提出一个基于剽窃模式的更为精确的文本复制检测系统。 易 文档复制 段落复制 句子复制 词的移位变换 句子结构改变——改变说法重述 文档复制检测的难易程度 难 7 现有的文档复制检测方法 基于词频统计的方法 基于hash文本块的方法 基于语义知识的方法 8 研究现状 基于词频统计的文档复制检测方法 把文档表示成以词为元素组成的向量，根据每个词出现的频率与逆文本频率赋以相应的权值，再通过点积或者余弦等方式度量文档间的相似度。具有代表性的词频统计方法为1995年美国Stanford大学提出的SCAM (Stanford Copy Analysis Method)模型、1997年香港理工大学建立的CHECK原型、西安交通大学2001年提出的CDSDG(Copying Detection System of Digital Goods)系统和2006年提出的高频模型HFM(Heavy Frequency Model)。 缺点: (1)基于词频统计的文档复制检测方法虽然广泛应用于文本聚类、信息检索等领域，但是它并不适用于文档复制检测技术； (2)只能检测出两篇文档之间的相似度，不能发现一篇文档同时复制多篇文档的行为； (3) 检测结果准确率不高，误差大。 10 研究现状 基于语义知识的文档复制检测方法 从计算语言学领域出发，试图通过各种形式化的方法表示出文本的语义特征，从而度量文档间的重叠度。 现存的基于语义知识的文档复制检测方法为2005年大连理工大学金博等人提出的基于语义理解的文本相似度算法。该算法以知网的概念描述为基础，改进了现存的词语相似度的计算公式，并将词语相似度计算推广到段落范围，进而将这种段落相似度计算推广到篇章相似度计算。 缺点：能够发现的文档复制方式有限，检测结果的准确率不理想。 11 基于指纹的文档复制检测系统 计算指纹 比较指纹 分词 文档 按段落分块 按句子分块 计算句子指纹 计算段落指纹 计算文档指纹 文档指纹相同 文档1各粒度指纹 文档2各粒度指纹 句子指纹相同 段落指纹相同 分词 N N N 文档1与2 完全相同 文档1与2 段落相同 文档1与2 句子相同 Y Y Y 12 基于指纹的文档复制检测系统 高校是培养人才的基地。大学生是高校思想政治教育的主体。以人为 本是高校思想政治工作必备的理念。 以人为本是社会主义市场经济和时代发展的需要。现代社会是政治经济科技教育文化和生活变化发展极其迅捷的时代。造成了更加激烈的社会竞争，现代社会知识经济初见端倪。 高校/是/培养/人才/的/基地。大学生/是/高校/思想政治教育/的/主体。以人为本/是/高校/思想政治工作/必备/的/理念。 以人为本/是/社会主义/市场经济/和/时代/发展/的/需要。现代/社会/是/政治经济科技/教育/文化/和/生活/变化发展/极其/迅捷/的/时代。造成/了/更加/激烈/的/社会/竞争，现代/社会/知识经济/初见端倪。 分词 按照段落划分 13 基于指纹的文档复制检测方法 高校/是/培养/人才/的/基地。大学生/是/高校/思想政治教育/的/主体。以人为本/是/高校/思想政治工作/必