个人项目

个人项目

---

附录

这个作业属于哪个课程	软工1班
这个作业要求在哪里	个人项目：作业要求
这个作业的目标	尝试进行个人项目，学会单元测试，了解性能分析

仓库网址：qazwsx2323ppp/3123004220

环境说明

• 语言：C++

• IDE工具：Visual Studio 222

PSP图

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	30	50
Estimate	估计这个任务需要多少时间	1650	1500
Development	开发	200	350
Analysis	需求分析 (包括学习新技术)	300	500
Design Spec	生成设计文档	30	30
Design Review	设计复审	40	30
Coding Standard	代码规范 (为目前的开发制定合适的规范)	30	35
Design	具体设计	60	40
Coding	具体编码	180	180
Code Review	代码复审	60	60
Test	测试（自我测试，修改代码，提交修改）	300	900
Reporting	报告	90	120
Test Repor	测试报告	40	50
Size Measurement	计算工作量	40	60
Postmortem & Process Improvement Plan	事后总结, 并提出过程改进计划	50	60
	合计	1450	2000

模块接口与算法实现

算法：simhash和汉明威距离

• 分词：对输入文本进行分词，提取出关键词及其权重（如词频或 TF-IDF 值）。
• 哈希计算：对每个关键词计算其哈希值（通常使用 64 位的哈希函数，如 MurmurHash）
• 加权：将每个关键词的哈希值乘以其权重
• 累加：将所有关键词的加权哈希值按位相加，得到一个向量。
• 生成 SimHash：对累加后的向量进行二值化：如果某一位的值大于 0，则置为 '1'；否则置为 '0'。
• 输出：最终生成一个 64 位的二进制字符串作为 SimHash 值
• 汉明距离：计算两个 SimHash 值之间不同位的数量。
• 相似度计算：基于汉明距离计算相似度。相似度公式：similarity = 1 - (hamming_distance / hash_length)。

主要函数模块

• compute_simhash(const std::string& text)：计算simhash值
• calculate_hamming_distance：计算两个 SimHash 值的汉明距离
• calculate_similarity：// 计算相似度

模块之间的关系

+-------------------+
| 调用 read_file 函数 | 读取文件内容并返回字符串
+-------------------+
|
v
+-------------------+
| 调用 compute_simhash 函数 | 计算输入文本的 SimHash 值
+-------------------+
|
v
+-------------------+
| 调用 calculate_hamming_distance 函数 | 计算两个 SimHash 值的汉明距离
+-------------------+
|
v
+-------------------+
| 调用 calculate_similarity 函数 | 根据汉明距离计算相似度
+-------------------+
|
v
+-------------------+
| 结束 |
+-------------------

算法的关键

• 算法调用思路简洁明了
• 在C++语言的基础上使用了simhash库，在较短的代码上就完成需求

算法性能改进

• 性能分析图：
  

算法的不足

• 判断方式较单一
• 得到的结果数值有30%左右的浮动
• 较多调用外部库函数

计划算法改进

• 怎加余弦值比较法，以不同过的权重共同完成分析

模块单元测试

部分代码

 #include "CppUnitTest.h"
#include "simhash.h"
#include "pch.h"
using namespace Microsoft::VisualStudio::CppUnitTestFramework;

namespace SimHashUnitTest
{
  TEST_CLASS(SimHashUtilsTest)
  {
  public:
      // 测试 compute_simhash 函数  
      TEST_METHOD(TestComputeSimHash_EmptyString)
      {
          std::string result = compute_simhash("");
          Assert::AreEqual(std::string(64, '0'), result);
      }
 TEST_METHOD(TestComputeSimHash_SingleChar)
  {
      std::string result = compute_simhash("a");
      Assert::AreEqual(64ull, result.length());
  }

  TEST_METHOD(TestComputeSimHash_SameString)
  {
      std::string text1 = "hello";
      std::string text2 = "hello";
      Assert::AreEqual(compute_simhash(text1), compute_simhash(text2));
  }

  TEST_METHOD(TestComputeSimHash_DifferentString)
  {
      std::string text1 = "hello";
      std::string text2 = "world";
      Assert::AreNotEqual(compute_simhash(text1), compute_simhash(text2));
  }

异常模块处理

• 命令行启动异常--处理:重新输入路劲,并推出程序

// 检查命令行参数
if (argc != 4) {
    std::cerr << "Usage: " << argv[0] << " <original_file> <plagiarized_file> <output_file>" << std::endl;
    return -1;
}

• 文件路径错误--处理:显示路劲错误,要求重新运行

 if (!file.is_open()) {
     throw std::runtime_error("Error: Unable to open file: " + file_path);
 }