融合譯文和雙語特征的跨語言抄襲檢測方法研究.pdf

1、抄襲是指使用其他作者的內(nèi)容、思想或觀念等作為自己的原創(chuàng)作品，而不做任何引用或參考標(biāo)志的現(xiàn)象。當(dāng)今是一個(gè)全球化的信息世界，互聯(lián)網(wǎng)已經(jīng)成為主要信息訪問媒介。無論是用戶的母語或非母語信息，幾乎都可以在互聯(lián)網(wǎng)上得到，這便使得抄襲現(xiàn)象日益加劇。抄襲幾乎可以在每一個(gè)領(lǐng)域中找到，但它是在學(xué)術(shù)方面的問題更為嚴(yán)重。目前，有許多可用的商業(yè)性和非商業(yè)性抄襲檢測軟件。然而，大部分抄襲檢測系統(tǒng)只針對于單一語言抄襲的現(xiàn)象，只能檢測出完全復(fù)制或簡單修改行為的抄襲文本

2、，對于隱蔽性較大跨語言的抄襲案件，則很少有學(xué)者進(jìn)行研究。
　　根據(jù)研究任務(wù)的不同，Pan@CLEF2012將抄襲檢測可以分為源檢索和文本對齊個(gè)子任務(wù)。而文本對齊任務(wù)又可以分為種子搜索和文本合并兩個(gè)子階段。本文以跨語言抄襲檢測為研究對象，針對跨語言抄襲檢測中的源檢索與文本對齊任務(wù)展開研究，具體研究內(nèi)容包括：
　　首先，針對源檢索階段，尚無有效的關(guān)鍵詞提取方法的問題，本文結(jié)合文本的特點(diǎn)，實(shí)現(xiàn)了一種基于小片段的關(guān)鍵詞提取方法。

3、r>　　第二，本文針對跨語言抄襲檢測的種子搜索階段，僅采用譯文文本的特征，未能全面的考慮文本的譯文和雙語特征這一問題，本文提出了一種將譯文和雙語特征相融合的種子搜索算法。
　　最后，針對Pan@CLEF2012第一名的抄襲檢測方法的片段合并階段，在時(shí)間效率上尚有提高的空間。本文提出了一種基于動(dòng)態(tài)規(guī)劃思想的合并算法，在合并過程中采用動(dòng)態(tài)規(guī)劃的思想，通過減少文本合并時(shí)的重復(fù)計(jì)算時(shí)間，來優(yōu)化合并算法。
　　實(shí)驗(yàn)證明，本文提出的基于

4、小片段的關(guān)鍵詞提取方法，用于跨語言抄襲檢測的數(shù)據(jù)，使得跨語言源檢索任務(wù)上的性能得以提升；本文提出的融合譯文和雙語特征的種子搜索方法，使得跨語言抄襲檢測的整體評測指標(biāo)得以明顯提升；另外，本文提出的基于動(dòng)態(tài)規(guī)劃的合并算法，在時(shí)間性能上不僅對合并階段的時(shí)間進(jìn)行了優(yōu)化，還對整個(gè)跨語言抄襲檢測系統(tǒng)的時(shí)間進(jìn)行了優(yōu)化。
　　本文的研究成果不僅為跨語言抄襲檢測提供新的解決策略、具體方法和支撐技術(shù)，提升文本抄襲檢測的質(zhì)量，彌補(bǔ)了跨語言抄襲檢測系統(tǒng)的