16859

16859

ارائه راهكاري نوين براي كشفِ سرقتِ معنوي ميان‌زباني با استفاده از ويژگي‌هاي متني مستقل از زبان

كارشناسي ارشد

نرم افزار

مهر 1395

عين الله خنجري ميانه

كامپيوتر

سرقتِ معنوي اكنون به‌عنوان يكي از معضلات جدي در جامعه دانشگاهي مطرح است. روش‌هاي خودكار كشفِ سرقتِ معنوي مي‌توانند نمونه‌هاي ساده سرقتِ معنوي در محيط تك‌زباني را تشخيص دهند، اما هنگامي‌كه نويسنده متن را بازنويسي و يا ترجمه كرده باشد، اين دست روش‌ها كارايي خوبي از خود نشان نمي‌دهند. اين پايان نامه به معرفي روشي نوين براي كشفِ سرقتِ معنوي به نام "شباهت بردار ارجاعي" مي پردازد كه مي تواند، سرقت هاي معنوي پيچيده، مانند سرقتِ معنوي ميان‌زباني را با دقت و كارايي بهتري نسبت به تمامي روش هاي ارائه شده تا كنون، كشف كند. "شباهت بردار ارجاعي" از مفهوم "كشفِ سرقتِ معنوي مبتني بر ارجاعات" و Vector Space Model استفاده كرده و معيار شباهتي را مبتني بر بردارهاي مرجع دو سند ارائه مي دهد. تحليل نتايج عملي بر روي دو مجموعه آزمون GuttenPlag و PMC OAS نشان از توانايي كشف بالاي اين روش در سرقتِ معنوي عيني و پنهان دارد.

1395/12/11

1/1/1900 12:00:00 AM

Plagiarism detection is one of the most important problem in the academic society. Plagiarism Detection Systems (PDSs) are capable of detection in a monolingual setting for literal plagiarism but fail in highly disguised o​r translated plagiarism. In this thesis we introduce a new approach called “Citation Vector Similarity” which is capable of detecting highly disguised an​d translated plagiarism. Citation Vector Similarity enlist Vector Space Model an​d Citation-based Plagiarism Detection concepts. We used GuttenPlag Wiki an​d PMC OAS as our test collections. Our experimental analysis shows that Citation Vector Similarity has higher performance an​d accuracy than all prior detection approaches.