论文查重算法解析：掌握核心规则实现高效降重技巧
过好几个月，或许还不止，吭哧吭哧写成论文交到查重平台，查重界面对人们有一种置身深秋野山之感，这时的温度在于电脑显示火热，心绪处于冰凉状态。
事实上，降重并非难事，但是众多经验帖子都忽视了算法乃是关键所在，晓得人家制定的游戏规则，接着进行有针 对性的修改操作就能收获事半功倍的效果。 . 、 、.
一、重复率是怎么算的？
拿/举例，它们的算法是：
总体相似度等于相似字数除以检测字数，那些被系统依靠程序自动分辨出来的并非正文的部分，像目录、标题、公式、图表、参考文献等，是排除在检测范围之外的，检测字数从一般情况来讲是微微少于论文字数的。相似字数等于句子1字数乘以句子1相似度，加上句子2字数乘以句子2相似，这样依次加到句子n字数乘以句子n相似度，句子相似度的取值范围是0.00至1.00，绿色句子的相似度是按照0来进行计算的。重度相似的句子需修改，其相似度处于80%至100%之间，红色句子属于此类；橙色句子相似度处于50%至80%间，属于轻度相似，可酌情修改；绿色句子表未检测到相似语句。归纳为：
（其中i句相似度>50%为有效，
简单理解：
在对重复率开展检验之际，将文章予以划分，分成几个小句子，依据一定的算法，去确定究竟每个小句子所具备的相似度是怎样的。
2. 单句相似度×句子总字数就得到这个句子的相似字数。
3. 把各个相似度大于百分之五十的句子的那些相似字数加起来后，再去除以论文的总字数，并得到重复率。
一个关键词，即“单句相似度”，贯穿了本篇文章，大家平日里可能接触得比较少，这个概念听起来似乎比较玄乎，同时网站也没有对算法进行明确的说明。
当下，NLP里文字相似度算法数量极多，有相似度，有余弦相似度，有Jaro相似度，还有Dice系数等，它们对于人工修改所具备的参考意义大致相同。
以相似度为例：
乃是运用两句话之中汉字的交集数量去除以并集数量来界定相似度，像“李平于撰写论文”“李刚在修改论文”这两句话所说的那样 ，交集的字符呈现为李子、在于、论文（共计4个） ；进行并的字符总共含李子、平子、在于、撰写、论文、刚性、修改（总共8个） 。所以，相似度等于4除以8再与其乘积100%从而等于50%。
首先要说的关键信息则是，只有相似度大于百分之五十的这样子的句子，才会被标记为黄颜色，只有相似度大于百分之八十的那样子的句子，才会被标记为红颜色。相似度 。
二、如此一来，我们的减重目标便会相当明确，我们得采用两种办法，一是减缩每一句话里相似的字数，以此来削减整体相似的字数，二是[此处原内容缺失，无法完整续写]。
②要是你把句子相似度降低至一半以下，如此一来，这个句子具有的相似字数势必会当下就变为0 ，句号。
我们察觉到这两条途径实际上是相同一性质的，然而，②那种途径所具有的效果更为具备突显显著这一特性，缘由在于它能够径直将句子转变成为绿色以达成大幅度降低重复比重这样的结果，从而，对于绝大多数的句子而言，方法②明显地是更具优势的。
的确，存在一些句子具备很强的态势，像那种“依据图X能够看见...”这样的句子变得呈绿色模样是较为困难的，然而从整体去观察，不怎么呈现绿色（注说明：这里指重复率下降、变自然且符合要求那种绿色状态）的句子实际上数目是非常少的，经由这样的呈现状态可知，要把重复率降低到5%以下实际上并非难以达成 。
三、具体措施
目前，多数降重思路聚焦于方式①,比如是那样采用无目选择替代相似用词、词句内容变换运用此种类型做法，目的主要是尽力减少与之一致地数目；然而，借助着合乎科学运用思路给予相关内容层面上的引导或提示以后，那修正路径方向就能够往更加明晰方面进行转变。
1. 首要争取对象——50出头
这样的，相似度超过百分之五十的黄色语句式子，由于只需要更改 few words，就能够蜕变成为绿色，从50直接锐减至0，于降重方式里头极其受到宠爱 。
这样改之后，成功实现了降重，它进一步表明了，IIT现象较之于其他情况而言，在那些初始要素禀赋相互邻近接近的国家与国家之间更易于发生，更容易出现这种情况。
2. 短句合并成长句增加分母
这样一种定义引用类的红句子哦，相似度达到88%呀，怕是已经毫无挽救的可能了吧？不过呢，查重分解句子的时候是会按照标点来弄得咧，把句子后边的那个逗号去掉去呢，把短句子连接成一个长句子以此来对该句进行增加哈，并且也对句式做了相应调整哦，结果呀，居然就真的强制性地把这句定义给成功降重了呢。
其精髓在于，通过扩句，用自身的语言去稀释干货 ，以此达到降低相似度的目的 。就像把“A导致了B” ，改写成这样 ：C带来的A ，导致了D现象的产生 ，最终造成B的结果 ，这里面 ，C和D能够扯得越长越好 ，如此一来 ，句子的相似度将会大大降低 。
3. 长句分解为短句弃卒保帅
某些的专业词组被存在着几乎修改不了的情况，它在句子里所占的成分是很大的，对于这一部分，要从战略的层面上选择舍弃修改，需要把它们单独地拆分成为一个简短的句子，目的在于以后能够有利于句子里的降低重复率。
拿（200的Nuno年跟Nuno）来说好了，借由运用面板数据模型用于葡萄牙和金砖国家贸易里头关于产业内贸易水平影响因素，所落实的实证分析证明哈，一个国家资源禀赋的数量跟该国产业内贸易发展程度存在那具有相反意思的相关性啦。
起始部分的那一堆如“Nuno 和（2009）...”这般的英文是极难被予以改变的（即便将名字转变为中文也同样被他人书写过呀），极为占用空间诶,就算后续的内容增添延伸好多好多亦是不容易把整个句子的相似程度降低到 50%以下去的。这个时候呢,就能够舍弃掉少部分的降重啦，把前面那一半句改造成独立独立的句子嘛，也就是“Nuno 和（2009）同样对IIT影响因素进行了研究。” 。他们应用面板数据模型进行实证研究，发现，在葡萄牙与金砖国家双边贸易里，关于该国对外贸易的IIT指数相关情况，初始的自然资源有着负面的影响效应 。这样前面句子虽仍有不少重复 ，却在舍弃了大段无法变化的重复词语后 ，后面句子便出现了被降重的可能性 。无可救药型直接删去 ”。这样前面句子尽管还是有比较多重复成分呀 ，等到把大段不能加以改动的重复的词去掉以后呢 ，后面那个句子就有会出现被进行降重的这种可能性哟 。无可救药型的直接给删去 ， 。
下面那句红色语句，估计已被不计其数的人运用过了，大家或许也尝试过各种各样的方式使它变为绿色，于是因而知难而退，干脆直接将其删去，这也丝毫不会对文章的意思造成影响。
四、经验总结
之所以选用新的论文措辞更改表述且能体现查重效用这网页功能具有在句话被改写期间立刻浮现新重复率的特性故能凭借算法窍门进而持续调矫正结果而该网站同时依然存在查重率同知网存在不符、一些状况下场能很大的情况。出现有不同重复率现象大体上存在两个缘由一个缘故是对于算法严格方面存在差异另一个缘故是网站背后所拥有的数据库规模大小有所纷歧 。算法表现出的严格程度存在差异，有可能是因为50%标绿这一阈值的大小有所不同，还应该是单句相似度方面，在相似度、余弦相似度、Jaro相似度等多种指标可供选择中出现了不同，然而知网算法的严格程度一般情况下小于外库，究其原因在于第二点存在差异性，知网所拥有的数据库规模大于其他的查重网站，知网针对本科论文进行查重时，与其他网站最为显著的不同之处在于知网pmlc具备【大学生论文联合对比库】，该数据库收纳了各个学校历年的毕业论文，而这些论文是其他网站并不具备的。因其他网站会借严格算法让查重结果与知网达成平衡，这便是诸多抄袭、大篇幅粘贴者在知网与外网查重率差异极大的缘由。不过对于秉持原则自行创作的学生而言，paper系列查重结果仍具一定参考价值。而且认真撰写的论文于知网的重复率极有可能比其他网站更低。最后，在实际的论文降重进程中，上述降重方法并非单纯运用，通常在一句话的降重改写流程里会用到诸多方法。因而以上提到的办法，看上去显得简易，可是实际上针对其的掌握以及运用，仍旧是需要用心去操作一番的。
针对论文降重改写，暂时就分享到这里，希望可以帮助到大家。
欢迎 你 发表评论: