中文文檔復(fù)制檢測(cè)系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、隨著信息技術(shù)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展和普及，網(wǎng)絡(luò)信息資源的共享也越來越豐富，成為人們獲取信息和互相交流的重要途徑，給人們的生活和工作帶來了極大的便利。但是，網(wǎng)絡(luò)資源的便利也引發(fā)了一系列的弊端，頻繁發(fā)生的電子文檔復(fù)制抄襲現(xiàn)象已經(jīng)成為人們不得不面對(duì)和解決的問題，尤其是高校學(xué)生的各類文檔復(fù)制抄襲現(xiàn)象更為嚴(yán)重。為了提高人們的學(xué)術(shù)道德，進(jìn)行文檔的檢測(cè)顯得越來越重要，進(jìn)行文檔檢測(cè)技術(shù)和系統(tǒng)的研究也越來越有意義。
　　針對(duì)文檔復(fù)制抄襲問題，本文主要

2、是研究實(shí)現(xiàn)一個(gè)中文文檔復(fù)制檢測(cè)系統(tǒng)。在總結(jié)分析現(xiàn)有檢測(cè)技術(shù)和系統(tǒng)的基礎(chǔ)上，首先重點(diǎn)研究了文本復(fù)制檢測(cè)技術(shù)中的中文分詞技術(shù)和文本檢測(cè)相似度算法，探討了各個(gè)算法的實(shí)現(xiàn)過程及其優(yōu)缺點(diǎn)，在比較算法的基礎(chǔ)上重點(diǎn)研究了基于向量空間模型的相似度算法，包括文本表示、文本特征提取、TF-IDF技術(shù)和相似度計(jì)算等，并設(shè)計(jì)了系統(tǒng)的數(shù)據(jù)庫檢測(cè)流程;其次重點(diǎn)研究了最長(zhǎng)公共子序列算法，在此基礎(chǔ)上提出了基于句子的文本匹配算法，設(shè)計(jì)了系統(tǒng)的詳細(xì)檢測(cè)流程。在綜合技術(shù)研究

3、的基礎(chǔ)上，提出了一種中文文檔復(fù)制檢測(cè)系統(tǒng)的實(shí)現(xiàn)方案。
　　本文以J2EE為平臺(tái)技術(shù)，以Mysql數(shù)據(jù)庫為底層數(shù)據(jù)支撐，采用B/S模式的思想研究實(shí)現(xiàn)了一個(gè)中文文檔復(fù)制檢測(cè)系統(tǒng)，旨在用于檢測(cè)學(xué)生的電子作業(yè)等中文文檔。系統(tǒng)采用兩級(jí)檢測(cè)思想，通過文本特征提取和相似度計(jì)算來從數(shù)據(jù)庫中快速找出疑似文檔，然后通過基于句子的文本匹配算法進(jìn)行文本的詳細(xì)檢測(cè)，通過計(jì)算文本相似度的大小來判斷文本是否合格。如果相似度小于閾值，系統(tǒng)判定合格并將文檔信息注入