●李萬武

識別畢業(yè)論文抄襲的實驗研究

●李萬武

近幾年來，大學(xué)生畢業(yè)論文抄襲現(xiàn)象較為嚴(yán)重，通過組織學(xué)生參加設(shè)計論文抄襲識別系統(tǒng)實踐，即可人工智能識別出抄襲的論文，又能提高學(xué)生的實踐能力。文章通過整理分析計算機學(xué)院現(xiàn)存的大量論文資料，設(shè)計了符合專業(yè)特征的論文抄襲識別系統(tǒng)，用一定數(shù)量的論文進行了系統(tǒng)檢驗，識別的結(jié)論正確。

論文抄襲 面向?qū)ο?特征選擇 相似度計算

引言

近年來，部分計算機學(xué)院大學(xué)畢業(yè)論文中總會出現(xiàn)全部或部分抄襲他人論文的現(xiàn)象。受我國大學(xué)生就業(yè)壓力的影響，部分大四畢業(yè)生于畢業(yè)設(shè)計期間在外實習(xí)工作，這部分學(xué)生的畢業(yè)設(shè)計活動指導(dǎo)教師不好控制，容易出現(xiàn)抄襲的畢業(yè)設(shè)計論文。畢業(yè)生指導(dǎo)教師根據(jù)學(xué)校制度，以開題答辯、中期檢查和畢業(yè)答辯形式指導(dǎo)、檢查和監(jiān)督學(xué)生的設(shè)計，在整個設(shè)計期間指導(dǎo)教師負(fù)責(zé)任地和畢業(yè)生保持緊密的聯(lián)系，但以目前的工作方式并不能阻擋抄襲行為上升勢頭。

受經(jīng)濟利益驅(qū)使，網(wǎng)絡(luò)上出現(xiàn)販賣計算機專業(yè)畢業(yè)設(shè)計論文的網(wǎng)站，這使畢業(yè)生花錢能輕易獲得論文。學(xué)校制定嚴(yán)格的懲處措施處理畢業(yè)論文抄襲的學(xué)生，指導(dǎo)教師只接觸少量畢業(yè)生論文，因此發(fā)現(xiàn)論文抄襲的幾率不高，大部分違紀(jì)學(xué)生還是逃脫了懲罰。

我們針對計算機專業(yè)，利用實驗室設(shè)備組織了學(xué)生設(shè)計抄襲論文識別實驗。教師提出論文相似性計算方法和編制實驗方案，學(xué)生在理解論文相似性算法后，按照實驗方案做信息分析和編寫軟件，并將完成的作品發(fā)布在網(wǎng)絡(luò)上，初步使用在本院的畢業(yè)設(shè)計論文抄襲檢查中。該實驗一定程度上制約了學(xué)生論文抄襲行為，并激發(fā)了學(xué)習(xí)興趣、提高了學(xué)生動手能力。

一、論文相似性計算

相似的文本具有相似的關(guān)鍵詞或相對詞頻，因此可以基于關(guān)鍵詞向量或關(guān)鍵詞相對詞頻向量來計算一組文本的相似度。文本與詞的相關(guān)矩陣如圖1所示，其中表示第i篇文本與第j個詞的相關(guān)程度，取值范圍為[0，1]。相關(guān)矩陣中的行描述一篇文本的特征，稱之為文本特征向量，列表示每個特征項與文獻集的相關(guān)程度。

圖1 文本與詞的相關(guān)矩陣

文本相似性算法有多種，但考慮到本校學(xué)生的接受能力，算法選擇《數(shù)據(jù)挖掘》課程中教授的余弦算法。

利用文本與詞的相關(guān)矩陣可以通過分析文本之間的相關(guān)性。相關(guān)性的大小可以用相關(guān)系數(shù)S來度量，第i篇文本與第j篇文本的相關(guān)系數(shù)可以表示為Sij。

文檔向量之間的關(guān)系用余弦法表示為：

二、設(shè)計方案

學(xué)院共有3臺供教學(xué)實驗用的SUN品牌服務(wù)器和四個計算機實驗室，在教務(wù)科存儲有歷年學(xué)生提交的畢業(yè)設(shè)計論文光盤（估計有11000張左右），每個實驗室有學(xué)生實驗用的計算機50臺左右，均網(wǎng)絡(luò)連接。從實際情況出發(fā)，實驗按如下四個階段進行：

圖2 實驗室計算機網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)鋱D

1.建設(shè)網(wǎng)絡(luò)平臺。四個計算機實驗室通過交換機級聯(lián)能互相訪問，其中的信息控制實驗室有一條專用線路與學(xué)校網(wǎng)絡(luò)信息中心的主路由器連接，理論上此鏈路能到達全校網(wǎng)絡(luò)上開放的每個計算機。3臺SUN品牌服務(wù)器中，2臺作為應(yīng)用服務(wù)器，1臺作為數(shù)據(jù)庫服務(wù)器。實驗室內(nèi)計算機實驗室網(wǎng)絡(luò)連接拓?fù)浣Y(jié)構(gòu)如圖2。

應(yīng)用服務(wù)器1安裝Windows Server2003操作系統(tǒng)+IIS服務(wù)，應(yīng)用服務(wù)器2安裝linux操作系統(tǒng)+Tomcat服務(wù)，數(shù)據(jù)庫服務(wù)器安裝Windows Server2003操作系統(tǒng)+SQL Server數(shù)據(jù)庫。

2.建論文信息庫。如果用常用的漢語詞典的詞表示文本特征的詞匯，則因為詞匯數(shù)量大，造成相應(yīng)詞頻矩陣的維度過高、信息處理的效率低。為此首先應(yīng)建立能表示計算機專業(yè)畢業(yè)論文特征的低維詞匯庫。初步從大量論文中提取2000個左右的計算機專業(yè)詞匯庫，利用編制的計算機專業(yè)詞匯庫建立論文的特征向量矩陣，即建立教務(wù)科存儲的光盤中每篇論文的特征向量矩陣，存儲到已建好的數(shù)據(jù)庫服務(wù)器中。

3.開發(fā)應(yīng)用軟件。應(yīng)用服務(wù)器1中的應(yīng)用程序用asp.net開發(fā)，應(yīng)用服務(wù)器2中的信息處理應(yīng)用Jsp+Ajax開發(fā)。軟件開發(fā)采用面向?qū)ο蠓椒?，系統(tǒng)中完成一定功能的核心代碼asp.net中封裝為Activex組件，java環(huán)境中封裝為類庫，使用CSS美化頁面。

微軟公司提供了office產(chǎn)品外部訪問的com接口。C++訪問接口主要代碼如下：

教師用c++開發(fā)工具設(shè)計了獲取word文件中文本的COM組件，即為學(xué)生開發(fā)的軟件提供訪問word文檔的接口。

學(xué)生開發(fā)web應(yīng)用軟件實現(xiàn)如下功能：①獲取word文件中文本，根據(jù)計算機專業(yè)詞匯集合建立論文特征向量矩陣，將向量矩陣存入到paper數(shù)據(jù)庫中；②假設(shè)有n個論文，應(yīng)用余弦算法后臺計算n個論文之間的相似度，得到n×n的數(shù)據(jù)表格存入paper數(shù)據(jù)庫中；③從paper數(shù)據(jù)庫中排序讀取相似度表格，根據(jù)相似度識別出抄襲的論文。

三、實驗

從學(xué)院各班級中選拔出優(yōu)秀學(xué)生10名，按上述的設(shè)計方案進行實驗。

1.網(wǎng)絡(luò)環(huán)境搭建。首先在實驗室中三臺服務(wù)器中分別安裝操作系統(tǒng)和數(shù)據(jù)庫，并配置相應(yīng)Web服務(wù)，新建名為paper的數(shù)據(jù)庫。經(jīng)過測試檢查確認(rèn)實驗室網(wǎng)絡(luò)運行正常。

2.信息分析。從教務(wù)科調(diào)出有代表性的100篇電子版畢業(yè)論文，每個學(xué)生分配10篇論文，安排他們從各自論文集中挖掘出2000個計算機專業(yè)詞匯，按規(guī)定格式保存在Excel文件中。教師對收集的Excel文件中詞匯集進行比對篩選，最終選出2015個計算機專業(yè)詞匯，并將這2015個詞匯導(dǎo)入到已建好的paper數(shù)據(jù)庫中。

3.軟件開發(fā)。5個學(xué)生一組用asp.net開發(fā)運行在IIS服務(wù)環(huán)境下的信息處理系統(tǒng)，其他5個學(xué)生用java開發(fā)運行在tomcat服務(wù)環(huán)境下的應(yīng)用。經(jīng)過35天開發(fā)，學(xué)生開發(fā)的應(yīng)用軟件在服務(wù)器調(diào)試運行。兩組學(xué)生使用了一致的算法，將100篇論文進行了比對，得出論文之間相似度矩陣，將結(jié)論以行列100×100關(guān)系型數(shù)據(jù)表格形式顯示。對數(shù)據(jù)按相似度排序，有2篇論文之間的明顯相似度數(shù)值大，相似度為0.891，可認(rèn)為是抄襲的論文。經(jīng)人工判斷，2篇論文內(nèi)容大部分相似，計算機自動判斷結(jié)論正確。

四、改進系統(tǒng)

雖然已完成的論文抄襲識別系統(tǒng)能初步滿足要求，但實際應(yīng)用中還需要改進。主要改進的方面有：提煉計算機專業(yè)詞庫；提高算法精度；加快識別速度。

1.提煉計算機專業(yè)詞庫。編制的計算機專業(yè)詞庫沒有經(jīng)過實踐的檢驗，需要在學(xué)院保存11000篇論文進行識別過程中，進一步迭代整理詞庫，使之能精確反映計算機專業(yè)論文特征。

2.提高算法精度。沒有考慮詞的權(quán)重，也沒考慮詞與詞之間的依賴性，在一定程度上影響了精確度，需要改進算法。

3.加快識別速度。由于在論文相似性比對過程中，處理的信息量巨大，僅依靠實驗室中兩臺服務(wù)器處理，運行時間慢長、效率低。計劃將實驗室中計算機（大約200臺）參與到分布式計算中，期待提高論文相似度計算速度。

五、結(jié)束語

互聯(lián)網(wǎng)上提供的大量計算機專業(yè)論文資料，使畢業(yè)生能輕易抄襲他人論文。目前僅靠學(xué)校嚴(yán)格的管理手段和指導(dǎo)教師的認(rèn)真負(fù)責(zé)并不能完全杜絕論文抄襲現(xiàn)象，而利用計算機技術(shù)人工智能識別論文抄襲，在技術(shù)上高效地打消了畢業(yè)生僥幸心理。

組織學(xué)生實現(xiàn)的論文抄襲識別系統(tǒng)實驗作品，經(jīng)進一步改進后可以實際使用在計算機教學(xué)管理工作中。通過本項目實驗活動，提高了學(xué)生的網(wǎng)絡(luò)、程序開發(fā)、信息整理等方面的實踐能力，同時也教育了大學(xué)生努力學(xué)習(xí)、拒絕抄襲。

[1] 于守健，夏小玲，樂嘉錦．基于語義描述的分布式W eb服務(wù)發(fā)布與發(fā)現(xiàn)[J].計算機工程，2007

[2] 于守健，朱勤，樂嘉錦．一種基于分布式哈希表的W eb服務(wù)目錄系統(tǒng)[J].計算機工程，2007

[3] 李曉暉等.基于O racle的文獻資料庫全文檢索技術(shù)[J]．成都信息工程學(xué)院學(xué)報，2003

[4] 閔小玲.W eb應(yīng)用系統(tǒng)設(shè)計的JSP技術(shù)方法[J].黃石理工學(xué)院學(xué)報，2005

[5] 陳治綱，何丕廉，孫越恒.基于向量空間模型的文本分類系統(tǒng)的研究與實現(xiàn).中文信息學(xué)報，2005

[6] 王秀娟.文本檢索中若干問題的研究[D].北京：北京郵電大學(xué)，2006

[7] 劉群，李素建.基于“知網(wǎng)”的詞匯語義相似度計算[C].第三屆漢語詞匯語義學(xué)研討會，2002

[8] R.Yangaber，R.Grishman，P.Tapainen.Unsupervised Discovery of Scenario LevelPatterns for Information Extraction．In Proceedings of the Sixth Applied NaturalLanguage Processing Conference，Seattle A，2000，282-289

[9] Zhang YiQi，Zhou Qiang.The auto identification of Chinesebase phrase[J]．Journal of Chinese Information Processing，2003，16（3）：1-8

[10] 劉群,張華平，張浩.計算所漢語詞性標(biāo)記集Version3.0[Z].2004

[11] Roger Levy and Christopher D.Manning．Is it harderto parse Chinese or the Chinese Treebank？[A]．In：proceedings of the 41st Annual Meeting of theAssociation for Computational Linguistics[C].200

[12] Daniel M.Bikel and David Chiang.Two statisticalparsing models applied to the Chinese Tree-bank[A]．In:：proceedings of the Second ChineseLanguage Processing W orkshop，ACL[C]，2000

[13] 張浩，劉群，白碩等.結(jié)構(gòu)上下文相關(guān)的概率句法分析[A].第一屆學(xué)生計算語言學(xué)研討會論文集[C].北京大學(xué)，2002

[14] Zhengping Jiang.Statistical Chinese parsing[Z].Honours thesis，2004，National University of Singapore

[15] M ichael Conllins．Head-Driven Statistical Models for Natural Language Parsing[D]．University of Pennsylvania，1999

（作者單位：黑龍江科技大學(xué)計算機學(xué)院 黑龍江哈爾濱 150027）

（責(zé)編：呂尚）

G645

A

1004-4914（2014）01-263-03