论文检测技术两种算法介绍

对于论文抄袭检测技术我们通常所了解的是基于字符串比较的方法，而对于基于词频统计的方法还不是很了解。
      
     基于字符串比较的方法也称为数字指纹法,这类方法通过某种选取策略在文档中取一些字符串作为“指纹”,把指纹映射到Hash表中,最后统计Hash表中相同的指纹数目或者比率,作为文本相似度依据。
　　
     基于词频统计的方法也称为基于语义的方法。词频统计法源于信息检索技术中的向量空间模型,该类方法首先都要统计每篇文档中各个单词的出现次数,然后根据单词频度构成文档特征向量,最后采用点积、余弦或者类似方式度量两篇文档的特征向量,以此作为文档相似度的依据。
      
     现在多数论文检测系统使用的是基于指纹的比对方法，这种算法相对来说比较简单实用，基本上能测出论文重复的地方，但对于一些经过大幅度修改的论文来说，检测的结果会很小，就无法辨别出是否抄袭，而基于词频的检测方法则较复杂，他先得提取相关词频数，进而确定文章的主要语义，与现有的语义对比得出相似度结果。