怎样用Python检测抄袭行为？广大中小学生们的美梦就此结束

本教程将介绍如何使用机器学习技术（如word2vec和余弦相似度等），在Python中用几行代码制作抄袭检测器。搭建完成后，抄袭检测器将会从文件中载入学生们的作业，然后通过计算相似度来判断学生有无相互抄袭行为。

 

要求

 

本教程需要在计算机上安装scikit-learn。

 

安装

 

pip install -Uscikit-learn

 

怎样分析文本？

 

如你所知，电脑只能理解0和1。首先需要将文本转换成数字再对文本数据进行计算。

 

词嵌入

 

将文本数据转换为数字阵列的过程通常称为词嵌入（word embedding），我们将使用sci-kit-learn内置功能来完成此任务。

 

将文本数据转换为矢量不是随机过程，而是遵循某些算法，从而将单词表示为空间中的位置。这一点将通过使用scikit-learn内置功能来实现。

 

怎样检测文档的相似性？

 

这里需要使用向量、点积的基本概念来确定两个文本的相似度，也就是计算学生的文本作业的向量代表之间的余弦相似度值。

 

 

此外还需要学生作业中的样本文档来测试模型。文本文件必须与脚本位于同一目录中，扩展名为“.txt”。文件目录如下：