个人项目（论文查重）

这个作业属于哪个课程	网工1934-软件工程
这个作业要求在哪里	论文查重
这个作业的目标	了解并实现论文查重算法 使用PSP表格 使用单元测试 使用代码质量检测工具 使用性能分析工具

项目代码已上传至GitHub

PSP表格

PSP	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	30	60
· Estimate	· 估计这个任务需要多少时间	30	60
Development	开发	360	460
· Analysis	· 需求分析 (包括学习新技术)	120	180
· Design Spec	· 生成设计文档	30	30
· Design Review	· 设计复审	30	30
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	10	5
· Design	· 具体设计	10	15
· Coding	· 具体编码	120	150
· Code Review	· 代码复审	20	30
· Test	· 测试（自我测试，修改代码，提交修改）	20	20
Reporting	报告	35	30
· Test Repor	· 测试报告	20	10
· Size Measurement	· 计算工作量	5	5
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	10	15
Total	总计	425	550

计算模块接口的设计与实现过程

使用的接口

jieba.cut

用于对中文句子进行分词，功能非常强大，详细功能见GitHub-jieba

演示效果如下：

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print(", ".join(seg_list))

运行结果：

他, 来到, 了, 网易, 杭研, 大厦

re.match

由于对比对象为小说段落，因此应该对读取到的文件数据中存在的标点符号过滤掉。

gensim.dictionary.doc2bow

Doc2Bow是gensim中封装的一个方法，主要用于实现Bow模型。

Bag-of-words model (BoW model) 最早出现在自然语言处理（Natural Language Processing）和信息检索（Information Retrieval）领域.。该模型忽略掉文本的语法和语序等要素，将其仅仅看作是若干个词汇的集合，文档中每个单词的出现都是独立的。

例如：

text1='John likes to watch movies. Mary likes too.'
text2='John also likes to watch football games.'

基于上述两个文档中出现的单词，构建如下一个词典 (dictionary)：

 {"John": 1, "likes": 2,"to": 3, "watch": 4, "movies": 5,"also": 6, "football": 7, "games": 8,"Mary": 9, "too": 10}

上面的词典中包含10个单词, 每个单词有唯一的索引, 那么每个文本我们可以使用一个10维的向量来表示。如下：

[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]
[1, 1, 1, 1, 0, 1, 1, 1, 0, 0]

该向量与原来文本中单词出现的顺序没有关系，而是词典中每个单词在文本中出现的频率。

gensim.similarities.Similarity

该方法可以用于计算余弦相似度
实现方式：

过程实现思路与结果展示

实现思路

结果展示

结果存放至同目录下的result.txt中

计算模块接口部分的性能改进

性能分析

代码优化前

故对文件读取方式、代码等进行了些许修改

代码优化后

可见效率得到提升

代码覆盖率

比较低的原因可能是：判断异常情况的语句中的另外一部分在运行时未被使用

单元测试

将通过的情况的相似度设为0.99
成功的情况

失败的情况

计算模块部分异常处理说明

若原文件或抄袭文件不存在，则报出错误信息

测试结果

参考链接
https://www.jb51.net/article/137755.html
https://www.jianshu.com/p/edf666d3995f