「伪原创」是搜索引擎优化(SEO)行业的一种方法。最近在学习时遇到这个问题,这里研究了几个思路。
如果只是单纯的同义词替换,那么整个句子在语法上相似度应该很高。先对句子做依存句法分析,然后再计算句法层面的相似度。可以参考程序查重的方法,直接通过检查内存调用、分析语法树等方式进行查重,你替换个变量名,表面上改改排版一抓一个准。自然语言可以用类似的方法,为一篇文章建立一个语义层面上的树,所有近义词都会被重建成相同的节点,这样可以直接分析文章的语义,那么如果语义树极度相似就可以认为是抄袭了。当然,自然语言构建语义树比程序语言要困难。smp2018有一个“文本溯源”任务,目标是判断一个文本的内容是否复制或改编于另外一个或者多个文件。是不是可以提供点思路,往这个方向归类。