[发明专利]一种基于指纹融合的跨语言剽窃检测方法

权利要求书

1.一种基于指纹融合的跨语言剽窃检测方法，其特征是：将需要进行剽窃检测的中英文文本集，通过自然语言处理提取其名词序列，利用WordNet的名词树形结构，通过中间指纹编码算法将名词序列编码成中间指纹；然后基于中间指纹，利用语义密度对指纹编码进行语义消歧；通过指纹选取策略提取出能够代表当前片段语义的中英文指纹，运用Dice系数对指纹进行相似度计算，利用计算结果根据阈值选取出潜在剽窃片段；然后按照SinWin算法计算句子之间的相似度，通过阈值选取出剽窃句子，最后通过剽窃片段合并形成最后的剽窃检测结果，按照SinWin算法计算句子之间的相似度中采用如下公式对指纹进行融合，

其中，H(A，B)是句子A和句子B的汉明距离，f是SimHash算法中产生指纹的位数，S_winowing(A，B)是句子A和句子B通过Winnowing算法计算得出的相似度，α是SimHash算法的权重，1-α是Winnowing算法结果的权重；

所述利用WordNet的名词树形结构，通过中间指纹编码算法将名词序列编码成中间指纹的过程中，对WordNet中的名词同义词集进行指纹编码的方法为：

(1)子节点的编码以父节点的编码为前缀；

(2)用levelbit_i位二进制编码第i层，其中levelm_i是第i层的最大子节点数；

(3)从最高位开始编码，用1到位编码第一层，用到位编码第二层，以此类从最高位开始编码，用1到levelbit₁位二进制编码第一层，用levelbit₁到levelbit₁+levelbit₂位二进制编码第二层，以此类推。

2.根据权利要求1所述的基于指纹融合的跨语言剽窃检测方法，其特征是所述利用语义密度对指纹编码进行语义消歧中，对于窗口长度为2l+1的R：{r_a,r_a+1,…,r_a+l-1,r_a+l,r_a+l+1,…,r_a+2l-1,r_a+2l}，被消歧词是r_a+l，其中l是自定义窗口增量，a是自定义消岐初始位置，R是待消歧窗口，r_a是当前待消歧词，消歧算法的主要步骤如下：

(1)将包含R中每个r_i的同义词集合并为一个大的候选集

(2)对候选集C中的所有同义词集按照它们对应的中间指纹排序；

(3)计算C中任意几个同义词集的语义密度，r_a+l的消歧结果就是语义密度最大的子树下的同义词集；

(4)往后移动一个窗口，重复上述步骤，直到所有名词都被消歧。