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志的現象。當今是一個全球化的信息世界，互聯網已經成為主要信息訪問媒介。無論是用戶的母語或非母語信息，幾乎都可以在互聯網上得到，這便使得抄襲現象日益加劇。抄襲幾乎可以在每一個領域中找到，但它是在學術方面的問題更為嚴重。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象，只能檢測出完全復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，則很少有學者進行研究。
　　根據研究任務的不同，Pan@CLEF2012將抄襲檢測可以分為源檢索和文本對齊個子任務。而文本對齊任務又可以分為種子搜索和文本合并兩個子階段。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展開研究，具體研究內容包括：
　　首先，針對源檢索階段，尚無有效的關鍵詞提取方法的問題，本文結合文本的特點，實現了一種基于小片段的關鍵詞提取方法。

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，在時間效率上尚有提高的空間。本文提出了一種基于動態(tài)規(guī)劃思想的合并算法，在合并過程中采用動態(tài)規(guī)劃的思想，通過減少文本合并時的重復計算時間，來優(yōu)化合并算法。
　　實驗證明，本文提出的基于

4、小片段的關鍵詞提取方法，用于跨語言抄襲檢測的數據，使得跨語言源檢索任務上的性能得以提升；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得以明顯提升；另外，本文提出的基于動態(tài)規(guī)劃的合并算法，在時間性能上不僅對合并階段的時間進行了優(yōu)化，還對整個跨語言抄襲檢測系統(tǒng)的時間進行了優(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，提升文本抄襲檢測的質量，彌補了跨語言抄襲檢測系統(tǒng)的