咸悅 梁瑋琪

摘 要：本文結(jié)合進(jìn)行項目查重現(xiàn)有方法研究一種準(zhǔn)確、高效的方式?？偨Y(jié)了科技項目查重的一般過程，將其概括為文本預(yù)處理、特征提取、模型構(gòu)建、相似度判別和專家審核。采用資源采集技術(shù)，文本數(shù)據(jù)庫加工技術(shù)，文本數(shù)據(jù)庫技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識挖掘技術(shù)， 自然語言處理技術(shù)、快速比對技術(shù)等，從多方面進(jìn)行數(shù)據(jù)采集，通過文本預(yù)處理、特征提取以及模型構(gòu)建及相似度判別，從而為查重網(wǎng)站信息整合平臺做出有力的數(shù)據(jù)支撐，為查重體系提供必要的參考。

關(guān)鍵詞：科研項目;文本挖掘;精準(zhǔn)對比

引言：

我國近年來不斷加大科研投入的規(guī)模和強(qiáng)度，科研項目的數(shù)量和經(jīng)費(fèi)規(guī)模均得到顯著的提升，形成了多個層次的國家科技計劃資助體系。然而，項目多頭申報、重復(fù)立項已成為科研項目管理領(lǐng)域的突出問題之一，尤其是跨科技計劃的重復(fù)立項問題。該問題不僅會造成國家科技資源的浪費(fèi)，而且也會導(dǎo)致惡性的科研競爭環(huán)境，對科技創(chuàng)新發(fā)展的危害極大。因此，如何建立有效、可行的項目查重機(jī)制已經(jīng)成為科技計劃管理部門的重要任務(wù)之一。

教育一直是整個社會的熱點(diǎn)問題和關(guān)鍵問題。但現(xiàn)在隨著互聯(lián)網(wǎng)的廣泛應(yīng)用“抄襲借鑒”形成了一種風(fēng)氣，教育部在《關(guān)于切實加強(qiáng)和改進(jìn)高等學(xué)校學(xué)風(fēng)建設(shè)的實施意見》中指出：“學(xué)風(fēng)是大學(xué)精神的集中體現(xiàn)，是教書育人的本質(zhì)要求，是高等學(xué)校的立校之本、發(fā)展之魂?！?誠信教育，是人類文化的重要組成部分，是弘揚(yáng)人文精神的重要形式，在社會主義先進(jìn)文化建設(shè)中發(fā)揮著不可替代的作用，要求我們大力弘揚(yáng)愛國主義、集體主義、社會主義思想，以增強(qiáng)誠信意識為重點(diǎn)，加強(qiáng)社會公德、職業(yè)道德、家庭美德、個人品德建設(shè)。讓高校學(xué)生認(rèn)識到誠信的重要性，將有助于學(xué)生樹立正確的學(xué)習(xí)目的和學(xué)習(xí)態(tài)度，并制定合理的學(xué)習(xí)計劃，并通過他們的努力實現(xiàn)自己具體的奮斗目標(biāo)。論文查重需要強(qiáng)大的技術(shù)作為支撐，包括資源采集技術(shù)，文本數(shù)據(jù)庫加工技術(shù)，文本數(shù)據(jù)庫技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識挖掘技術(shù)， 自然語言處理技術(shù)、快速比對技術(shù)等。因此，本文是針對于科研項目設(shè)計的查重整合平臺。

1.概述

為推動科技創(chuàng)新發(fā)展和提高科技競爭力，科技項目查重已成為科技管理領(lǐng)域常見的詞匯，科技項目查重一般是指從已有的項目數(shù)據(jù)中通過文本挖掘和綜合判斷，確認(rèn)是否存在與待查項目的研究內(nèi)容相同或高度相似的項目的過程。已有的項目數(shù)據(jù)包括通過正式立項的項目信息如項目名稱、關(guān)鍵詞、摘要和項目申報書等，也包括項目的關(guān)聯(lián)信息如學(xué)術(shù)論文、科技報告和科技成果等。此外，項目承擔(dān)人和承擔(dān)單位等信息也能提供一定的線索?；谖谋就诰虻姆椒茏詣拥挠嬎沩椖康南嗨菩裕錅?zhǔn)確性較差，可用于快速排除大量的無關(guān)項目。項目的重復(fù)性判斷是一個復(fù)雜的過程，需要專家的綜合判斷能力甄別出重復(fù)的項目，但需要耗費(fèi)大量的人力。

結(jié)合上述方法進(jìn)行項目查重才是一種準(zhǔn)確、高效的方式?？萍柬椖坎橹氐囊话氵^程，將其概括為文本預(yù)處理、特征提取、模型構(gòu)建、相似度判別和專家審核。 采用資源采集技術(shù)，文本數(shù)據(jù)庫加工技術(shù)，文本數(shù)據(jù)庫技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識挖掘技術(shù)， 自然語言處理技術(shù)、快速比對技術(shù)等。在海量的全文數(shù)據(jù)的基礎(chǔ)上實現(xiàn)快速準(zhǔn)確的檢測，上述技術(shù)是基本的保證。另外，檢測比對庫里需要收錄期刊、學(xué)位論文、會議論文、報紙、年鑒、工具書、專利、外文文獻(xiàn)、學(xué)術(shù)文獻(xiàn)引文等與科學(xué)研究、學(xué)習(xí)相關(guān)的主要資源，才可以支撐起一個論文查重檢測系統(tǒng)。

2.平臺搭建

本文所設(shè)計一款基于HTML的查重網(wǎng)站信息整合平臺進(jìn)行對外開放，主要針對于當(dāng)代高校師生，隨著互聯(lián)網(wǎng)的普及與此同時隨著網(wǎng)絡(luò)成為新時代發(fā)展趨勢。本著端正學(xué)風(fēng)的宗旨，本項目提出查重網(wǎng)站信息整合平臺要求學(xué)生要堅持“誠信立人”的原則，養(yǎng)成“嚴(yán)謹(jǐn)為學(xué)”的態(tài)度，促進(jìn)學(xué)術(shù)的健康、良性發(fā)展保護(hù)個人知識產(chǎn)權(quán)。

1、科技項目查重信息整合平臺的設(shè)計：

平臺將從已有的科技項目大數(shù)據(jù)中通過文本挖掘和綜合判斷，確認(rèn)是否存在與待查項目的研究內(nèi)容相同或高度相似的項目，也包括項目的關(guān)聯(lián)信息如學(xué)術(shù)論文、科技報告和科技成果等。此外，項目承擔(dān)人和承擔(dān)單位等信息也能提供一定的線索，因此科技項目查重的一般過程將其概括為文本預(yù)處理、特征提取、模型構(gòu)建、相似度判別和模擬專家審核;

2、科技項目比對庫：

科技項目查重信息整合平臺要建立一套科技項目比對庫，包含近年來已有的科研項目導(dǎo)入;

3、科技項目比對文檔：

通常是網(wǎng)頁在線格式或PDF格式，報告上會體現(xiàn)與已有的科研項目相似的比例、重復(fù)的內(nèi)容、重復(fù)內(nèi)容的來源等。

3.處理過程

論文查重系統(tǒng)看起來比較簡單，其實需要強(qiáng)大的技術(shù)作為支撐，包括資源采集技術(shù)，文本數(shù)據(jù)庫加工技術(shù)，文本數(shù)據(jù)庫技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識挖掘技術(shù)， 自然語言處理技術(shù)、快速比對技術(shù)等。

1、預(yù)處理：

預(yù)處理是將科技項目的相關(guān)大數(shù)據(jù)信息處理為指定的規(guī)范格式，并對文本信息確定處理單元及進(jìn)行分詞或分句、去停用詞等。

2、特征提取：

特征提取是從預(yù)處理后的數(shù)據(jù)中挖掘出能全面/部分描述項目內(nèi)容且區(qū)別于其他項目的特征向量，一般由特征詞和權(quán)重組成，采用基于詞頻或 TFIDF 值的方法計算其權(quán)重，并在大數(shù)據(jù)挖掘和文本分析領(lǐng)域應(yīng)用基于 TextRank 和主題模型的方法。

3、模型構(gòu)建：

模型構(gòu)建是按照數(shù)據(jù)規(guī)劃方式對特征向量進(jìn)行整合，從而建立能準(zhǔn)確、全面描述項目內(nèi)容的模型。

4、相似度判別：

相似度判別是基于項目表示模型設(shè)計相似度判別函數(shù)，從已有項目的數(shù)據(jù)庫中發(fā)現(xiàn)疑似項目的過程。

5、模擬專家審核：

重復(fù)對疑似項目進(jìn)行二次數(shù)據(jù)綜合分析和判斷，確定待查項目是否為重復(fù)項目并提供相關(guān)證據(jù)的過程。

4.結(jié)論

綜上所述，本文所提出的基于HTML的查重網(wǎng)站信息整合平臺能夠從多方面進(jìn)行數(shù)據(jù)采集，通過文本預(yù)處理、特征提取以及模型構(gòu)建及相似度判別，從而為查重網(wǎng)站信息整合平臺做出有力的數(shù)據(jù)支撐，為查重體系提供必要的參考。

參考文獻(xiàn)：

[1]李善青，邢曉昭，杜圣梅.科技項目查重方法研究綜述[J].科技管理研究. 2018（06）

基金項目：本文為吉林農(nóng)業(yè)科技學(xué)院自然科學(xué)類科研項目，項目編號吉農(nóng)院合字第[校20190693]號。

（吉林農(nóng)業(yè)科技學(xué)院? 吉林? 132000）