[发明专利]一种基于特征向量空间的论文查重方法

权利要求书

1.一种基于特征向量空间的论文查重方法，其特征在于：构建带查重文档的空间向量模型；将带查重文档上传并保存到服务器，提取该文档的一些基础信息并构建其空间向量模型，假设查重文档X中一共有N个相互独立的特征项{T_n|n＝1,2,...,N}所述特征项可以维词、短语、句子，视情况而定；{ω_n|n＝1,2,...,N}表示N个特征项的权重；则论文X的特征向量可以表示为X＝{ω_nT_n|n＝1,2,...,N}，基于固定的特征项库，则特征向量可简化为X＝[ω₁ ω₂...ω_N]；包含M文档集合XS中的文档均可表示为空间向量模型；

步骤一：确定特征项选择，文本特征项选择需要考虑两方面内容，一是它能否彻底、全面地表达论文，二是它能否体现论文特殊性，中文论文主要由字、词、短语、句子组成，它们都可以作为论文特征项，根据汉语基本特点，字、词、短语、句子层次逐渐增高，层次越高，表达的语义、关系、结构也越复杂，作为文本特征项，其分析成本也越大，然而精度会逐渐变小，中文论文中词语使用最广泛，出现频率最高，且有规律可循，所以选择词语作为论文特征项；

步骤二：计算权重，采用反文档频率算法，每个特征项权重由TF权重和IDF权重两个部分构成，其中，k为特征项T_n在文档X中的出现频次，L为文档X中的特征项总数，其中，h包含了特征项T_n的论文数目，δ为经验常数，取0.01，则特征项T_n的权重ω_n为ω_n＝TF_n×IDF_n。

2.根据权利要求1所述的一种基于特征向量空间的论文查重方法，其特征在于：进行相似度衡量：基于文档的文本特征向量，两篇论文之间的相似度就能够使用它们对应的特征向量在空间中的位置关系衡量，采用余弦法在后台启动一个线程专门计算该导入的文档与文档库之间的相似分数，基于固定的特征项库，假设两篇论文的特征向量分别为和计算公式如下：