第一次个人编程作业

这个作业属于哪个课程	信安1912-软件工程
这个作业要求在哪里	个人项目作业
这个作业的目标	文本相似度，PSP表格，GitHub，单元测试

1. GitHub

2.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	30
· Estimate	· 估计这个任务需要多少时间	40	40
Development	开发	400	360
· Analysis	· 需求分析 (包括学习新技术)	60	80
· Design Spec	· 生成设计文档	20	30
· Design Review	· 设计复审	10	10
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	10	10
· Design	· 具体设计	50	70
· Coding	· 具体编码	300	400
· Code Review	· 代码复审	20	10
· Test	· 测试（自我测试，修改代码，提交修改）	100	110
Reporting	报告	60	60
· Test Report	· 测试报告	20	30
· Size Measurement	· 计算工作量	10	20
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	10	10
	· 合计	1130	1270

3.计算模块接口的设计与实现过程

核心算法：Jaccard相似度:

• 通过提取样本描述的关键词，再计算两组关键词的交集并集，从而检测样本描述的重复度，即Jaccard相似度
• 计算两个集合之间的相似程度，元素的“取值”为0或1
• 对集合A和B，Jaccard相似度计算如下：Jaccard（A, B）= |A intersectB| / |A union B|相似度数值在[0, 1]之间，当A==B的时候，为1

jieba分词有三种模式，默认是精确模式

• 精确模式，试图将句子最精确地切开，适合文本分析；
• 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词；

设计思路：

• 获取文件
• 过滤特殊字符
• 分词并提取关键词
• 计算及除零处理
• 得出相似度

4.性能分析图

5.单元测试

样例结果：

6.计算模块部分异常处理