个人项目：论文查重

GitHub地址 https://github.com/shuojun0808/shuojun0808

作业所属课程	https://edu.cnblogs.com/campus/gdgy/Networkengineering1834
作业要求	https://edu.cnblogs.com/campus/gdgy/Networkengineering1834/homework/11146
作业目标	学会使用PSP表格学会使用工具进行优化和性能分析实现论文查重

一、PSP表格

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	60	60
· Estimate	估计这个任务需要多少时间	50	40
Development	开发	360	540
· Analysis	需求分析 (包括学习新技术)	150	180
· Design Spec	生成设计文档	30	35
· Design Review	设计复审	60	60
· Coding Standard	代码规范 (为目前的开发制定合适的规范)	35	35
· Design	具体设计	40	50
· Coding	具体编码	180	300
· Code Review	代码复审	40	40
· Test	测试（自我测试，修改代码，提交修改）	60	120
Reporting	报告	120	200
·Test Report	测试报告	20	30
·Size Measurement	计算工作量	10	10
·Postmortem & Process Improvement Plan	事后总结, 并提出过程改进计划	30	30
Total	合计	1245	1730

二、计算模块接口的设计与实现过程

1.1 SimHash类

1.2 Unit类

1.3 异常类

1.4 余弦相似度算法类

2.1算法原理

这次项目中运用到hanlp分词，根据词频，然后进行比对得到查重率
通过了网上的寻找，根据这位博主的文章的博客，进行SimHash算法类编写(https://www.cnblogs.com/nifanlove/p/10046291.html)
算法关键：通过计算得到汉明距离
大致算法流程：
其次也使用了余弦相似性算法，参考了相似度算法之余弦相似度

2.2算法流程

最后结果

orig_0.8_add.txt 0.9739645582549769
orig_0.8_del.txt 0.8055412527550833
orig_0.8_dis_1.txt 0.9973557010035817
orig_0.8_dis_10.txt 0.682243394533814
orig_0.8_dis_15.txt 0.682243394533814