[发明专利]一种句子相似度对比方法

说明书

技术领域

本发明涉及计算机技术领域，具体涉及一种句子相似度对比方法。

背景技术

学术不端是指学术界的一些弄虚作假、行为不良或失范的风气，或指某些人在学术方面剽窃他人研究成果，败坏学术风气，阻碍学术进步，违背科学精神和道德，抛弃科学实验数据的真实诚信原则，给科学和教育事业带来严重的负面影响，极大损害学术形象的丑恶现象。

目前为了预防学术不端的行为出现，需要对文献进行文献查重，然而现有的文献查重手段，只能针对相同的句子进行查重，而将该句子改写后，查重无法有效的发现，这就导致了现有的查重技术无法有效的预防学术不端。

发明内容

本发明所要解决的技术问题是现有的文献查重技术，将该句子改写后，查重无法有效的发现，这就导致了现有的查重技术无法有效的预防学术不端，目的在于提供一种句子相似度对比方法，解决上述问题。

本发明通过下述技术方案实现：

一种句子相似度对比方法，包括以下步骤：S1：将原句子和对比句子向量化至同一个向量空间；S2：得出原句子向量和对比句子向量的夹角；S3：当原句子向量和对比句子向量的夹角小于等于阈值时，则认为两个句子相似；当原句子向量和对比句子向量的夹角大于阈值时，则认为两个句子不相似。

现有技术中，为了预防学术不端的行为出现，需要对文献进行文献查重，然而现有的文献查重手段，只能针对相同的句子进行查重，而将该句子改写后，查重无法有效的发现，这就导致了现有的查重技术无法有效的预防学术不端。本发明应用时，先将原句子和对比句子向量化至同一个向量空间，再得出原句子向量和对比句子向量的夹角，由于将句子进行了向量化，所以即使将句子进行改写，其中的词汇也不会出现大幅的改变，在向量空间中的表现也会趋近于相同，当原句子向量和对比句子向量的夹角小于等于阈值时，则认为两个句子相似；当原句子向量和对比句子向量的夹角大于阈值时，则认为两个句子不相似，这就使得将句子改写后，也不会影响整体的查重，更有效的预防了学术不端。

进一步的，步骤S1包括以下子步骤：S11：将原句子和对比句子的所有词汇提取至一个向量空间，每一个词汇代表一个维度；S12：将词汇在原句子出现的次数赋值给该词汇在原句子向量的值；S13：将词汇在对比句子出现的次数赋值给该词汇在对比句子向量的值。

本发明应用时，由于汉语文字的特殊性，汉语文字是以字为主题，多字成词或者单字成词，所以非常适合于进行拆分，将句子拆分后，再提取至向量空间，提高了查重的效果。

进一步的，步骤S1还包括以下子步骤：S14：将向量空间中同义的词所在的维度进行合并。

进一步的，步骤S2包括以下步骤：通过原句子向量和对比句子向量的夹角的余弦判断夹角的值：式中X为原句子向量，Y为对比句子向量，θ为原句子向量和对比句子向量的夹角。

本发明应用时，在已知两个向量的前提下，通过对整体进行比较，即使向量的维度很高，也可以快速的进行运算，提高了查重效率。

进一步的，步骤S3中所述阈值采用10～20°。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明一种句子相似度对比方法，使得将句子改写后，也不会影响整体的查重，更有效的预防了学术不端。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

本发明一种句子相似度对比方法，一种句子相似度对比方法，包括以下步骤：S1：将原句子和对比句子向量化至同一个向量空间；S2：得出原句子向量和对比句子向量的夹角；S3：当原句子向量和对比句子向量的夹角小于等于阈值时，则认为两个句子相似；当原句子向量和对比句子向量的夹角大于阈值时，则认为两个句子不相似。步骤S1包括以下子步骤：S11：将原句子和对比句子的所有词汇提取至一个向量空间，每一个词汇代表一个维度；S12：将词汇在原句子出现的次数赋值给该词汇在原句子向量的值；S13：将词汇在对比句子出现的次数赋值给该词汇在对比句子向量的值。步骤S1还包括以下子步骤：S14：将向量空间中同义的词所在的维度进行合并。步骤S2包括以下步骤：通过原句子向量和对比句子向量的夹角的余弦判断夹角的值：式中X为原句子向量，Y为对比句子向量，θ为原句子向量和对比句子向量的夹角。进一步的，步骤S3中所述阈值采用10～20°。