个人项目——论文查重
| 这个作业属于哪个课程 | 软件工程 |
|---|---|
| 这个作业要求在哪里 | 个人项目--论文查重 |
| 这个作业的目标 | 个人编程实现论文查重算法并进行测试检验 |
一、项目链接
二、PSP表格
| PSP2.1 | Personal Software Process Stages | 预估耗时（分钟） | 实际耗时（分钟） |
|---|---|---|---|
| Planning | 计划 | 20 | 17 |
| ·Estimate | · 估计这个任务需要多少时间 | 450 | 510 |
| Development | 开发 | 150 | 120 |
| ·Analysis | · 需求分析 (包括学习新技术) | 100 | 110 |
| ·Design Spec | · 生成设计文档 | 30 | 25 |
| ·Design Review | · 设计复审 | 20 | 18 |
| · Coding Standard | · 代码规范 (为目前的开发制定合适的规范) | 20 | 15 |
| · Design | · 具体设计 | 30 | 30 |
| · Coding | · 具体编码 | 60 | 55 |
| · Code Review | · 代码复审 | 30 | 26 |
| · Test | · 测试（自我测试，修改代码，提交修改） | 15 | 16 |
| Reporting | 报告 | 30 | 30 |
| · Test Repor | · 测试报告 | 15 | 15 |
| · Size Measurement | · 计算工作量 | 10 | 15 |
| · Postmortem & Process Improvement Plan | · 事后总结, 并提出过程改进计划 | 15 | 18 |
| · 合计 | 530 | 510 |
三、分包、接口设计与实现
-
TxtUtil包：进行文本的读入读出
-
main主类进行cmd的运行
-
test包，里面的测试类
四、性能改进
从各个图我们可以得知，测试良好
比较占用资源的是，获取哈希值，分词过程，由于调用别人写好的包，没什么大的改进。
五、单元测试展示
- cmd单独测试：
- 覆盖率：
六、异常处理说明
public static String getSimHash(String str) {
// 文本长度太短时HanLp无法取得关键字
try {
if (str.length() < 200) throw new ShortStringException("文本过短，难以判断！");
} catch (ShortStringException e) {
e.printStackTrace();
return null;
}
七、算法原理
具体实现：见仓库代码
-
分词，把需要判断文本分词形成这个文章的特征单词。最后形成去掉噪音词的单词序列并为每个词加上权重，我们假设权重分为5个级别（1~5）。比如：“ 美国“51区”雇员称内部有9架飞碟，曾看见灰色外星人 ” ==> 分词后为 “ 美国（4） 51区（5） 雇员（3） 称（1） 内部（2） 有（1） 9架（3） 飞碟（5） 曾（1） 看见（3） 灰色（4） 外星人（5）”，括号里是代表单词在整个句子里重要程度，数字越大越重要。
-
hash，通过hash算法把每个词变成hash值，比如“美国”通过hash算法计算为 100101,“51区”通过hash算法计算为 101011。这样我们的字符串就变成了一串串数字，还记得文章开头说过的吗，要把文章变为数字计算才能提高相似度计算性能，现在是降维过程进行时。
-
加权，通过 2步骤的hash生成结果，需要按照单词的权重形成加权数字串，比如“美国”的hash值为“100101”，通过加权计算为“4 -4 -4 4 -4 4”；“51区”的hash值为“101011”，通过加权计算为 “ 5 -5 5 -5 5 5”。
-
合并，把上面各个单词算出来的序列值累加，变成只有一个序列串。比如 “美国”的 “4 -4 -4 4 -4 4”，“51区”的 “ 5 -5 5 -5 5 5”， 把每一位进行累加， “4+5 -4+-5 -4+5 4+-5 -4+5 4+5” ==》 “9 -9 1 -1 1 9”。这里作为示例只算了两个单词的，真实计算需要把所有单词的序列串累加。
-
降维，把4步算出来的 “9 -9 1 -1 1 9” 变成 0 1 串，形成我们最终的simhash签名。 如果每一位大于0 记为 1，小于0 记为 0。最后算出结果为：“1 0 1 0 1 1”。
