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:
一起来搭建抄袭探测器
· 首先载入所有必要的模块
使用OS模块加载文本文件的路径,然后使用TfidfVectorizer对文本数据和余弦相似度执行词嵌入,来计算是否存在抄袭。
· 用列表推导式(List Comprehension)读取所有文本文件
接下来使用列表推导式来加载项目目录中所有的路径文件,如下:
student_files =[doc for doc in os.listdir() if doc.endswith( .txt )]
· 使用Lambda功能来向量化并计算相似性。
需要创建两个lambda函数,一个用来将文本转换成数字数组,另一个用来计算它们的相似性。
· 将文本数据向量化
加入下列两行代码,将加载的学生文件向量化:
vectors =vectorize(student_notes)s_vectors = list(zip(student_files,vectors))
创造一个计算相似性的功能。下面是脚本的主要功能,负责管理计算学生之间相似度的整个过程。
· 最终代码
完成上述所有操作后会得到如下脚本,可以检测学生作业中是否存在抄袭行为。
· 输出:
运行上述app.py,结果如下:
抄袭检测器完成啦!老师们用起来,广大中小学生们的美梦就此结束了。