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

GitHub

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

1. 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。

2. 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。

3. 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”。

4. 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。

5. 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”。