作业2 - 个人项目

Info	Detail
学号	3123004432
仓库链接	传送门

如何使用？

使用 mvn exec:java（开发阶段）

mvn exec:java \  -Dexec.mainClass="com.article.App" \  -Dexec.args="原文件路径 抄袭文件路径 输出路径"

使用可执行 JAR（部署阶段）

# 生成 JARmvn clean package # 运行 JAR
java -jar target/article-1.0-jar-with-dependencies.jar 原文件路径 抄袭文件路径 输出路径

PSP

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	15	20
Estimate	估计这个任务需要多少时间	120	150
Development	开发	60	60
Analysis	需求分析 (包括学习新技术)	30	35
Design Spec	生成设计文档	5	7
Design Review	设计复审	5	8
Coding Standard	代码规范 (为目前的开发制定合适的规范)	10	30
Design	具体设计	30	40
Coding	具体编码	30	40
Code Review	代码复审	20	15
Test	测试（自我测试，修改代码，提交修改）	30	45
Reporting	报告	60	90
Test Repor	测试报告	15	20
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	7
合计		445	572

算法设计

核心思路 : 基于动态规划算法计算最长公共子序列（LCS）,通过词频比例换算相似度百分比

1.读取论文原文和抄袭版论文

从命令行参数中获取原文文件和抄袭版论文文件的绝对路径

2.构建词频向量

使用中文分词库 Jieba 对原文和抄袭版论文进行分词处理，将分词结果存储在两个集合中。

3.计算相似度

基于动态规划算法计算最长公共子序列（LCS）,通过词频比例换算相似度百分比

4.输出结果到答案文件

将计算得到的相似度写入答案文件中

计算模块接口的设计与实现过程

---

项目结构

1. 类的组织

主类（App）
作为程序入口和流程控制中心，负责：

• 命令行参数校验与错误提示
• 文件读取（原文/抄袭版）与结果写入操作
• 调用核心相似度计算模块并整合处理流程

分词与相似度计算模块
通过静态方法 calculateSimilarity 实现，内置于 App 类中，功能包括：

• 使用结巴分词库（JiebaSegmenter）对文本进行分词
• 基于动态规划算法计算最长公共子序列（LCS）
• 通过词频比例换算相似度百分比

文件读写操作
直接集成在 main 方法中，依赖 Java NIO 的 Files 类实现，完成：

• 原文和抄袭版文件的 UTF-8 格式读取
• 相似度结果的格式化（保留两位小数）与文件写入

---

2. 函数的设计与关系

App 类中的核心函数

1. main(String[] args)

   • 输入：命令行参数（原文路径、抄袭版路径、输出路径）
   • 流程：
     a. 参数校验：验证参数数量是否为3，否则输出错误提示。
     b. 文件读取：通过 Files.readAllBytes 读取文件内容并解码为字符串。
     c. 计算调用：将文本内容传递给 calculateSimilarity 方法。
     d. 结果输出：将相似度值格式化为两位小数后写入输出文件。
   • 异常处理：声明抛出 IOException 处理文件操作异常。

2. calculateSimilarity(String orig, String copy)

   • 输入：原文和抄袭版的原始文本字符串

   • 处理流程：
     a. 分词阶段：

     • 使用 JiebaSegmenter 的 INDEX 模式对文本分词，生成词列表。
       b. LCS计算：

     • 构建二维动态规划数组 dp，通过双重循环迭代计算最长公共子序列长度。

     • 状态转移逻辑：

       java

       if (orig词 == copy词): dp[i][j] = dp[i-1][j-1] + 1  else: dp[i][j] = max(dp[i-1][j], dp[i][j-1])
       

     c. 相似度换算：

     • 公式：相似度 = (LCS长度 / 原文总词数) × 100
     • 空文本保护：若原文无有效分词，返回 0.0 避免除零错误。

   • 输出：四舍五入至两位小数的百分比值（如 75.34% 返回 75.34）

---

3. 性能分析

4. 算法的关键和独到之处

关键之处

1. 动态规划计算LCS：捕捉两文本的词序共性，解决传统词频统计无法识别语序调换的问题
2. 分词优化：结巴分词库的INDEX模式优先保留专有名词（如"清华大学"不拆解），提升语义准确性
3. 抗干扰设计：空文本返回0.0防崩溃，结果强制保留两位小数（如82.15%）

独到之处

• 词序敏感：能发现调换语序的抄袭（传统方法会漏判）
• 轻量高效：O(n²)时间+单数组存储，千字文本秒级计算
• 中文特化：分词策略适配中文复合词特点，比字符匹配更贴近语义

5. 测试结果分析