本教程将介绍如何使用机器学习技术(如word2vec和余弦相似度等)，在Python中用几行代码制作抄袭检测器。搭建完成后，抄袭检测器将会从文件中载入学生们的作业，然后通过计算相似度来判断学生有无相互抄袭行为。

要求

本教程需要在计算机上安装scikit-learn。

安装

pip install -Uscikit-learn

怎样分析文本？

如你所知，电脑只能理解0和1。首先需要将文本转换成数字再对文本数据进行计算。

词嵌入

将文本数据转换为数字阵列的过程通常称为词嵌入(word embedding)，我们将使用sci-kit-learn内置功能来完成此任务。

将文本数据转换为矢量不是随机过程，而是遵循某些算法，从而将单词表示为空间中的位置。这一点将通过使用scikit-learn内置功能来实现。

怎样检测文档的相似性？

这里需要使用向量、点积的基本概念来确定两个文本的相似度，也就是计算学生的文本作业的向量代表之间的余弦相似度值。

此外还需要学生作业中的样本文档来测试模型。文本文件必须与脚本位于同一目录中，扩展名为“.txt”。文件目录如下：

.

├──app.py

├── fatma.txt

├── image.png

├── john.txt

└──juma.txt

一起来搭建抄袭探测器

· 首先载入所有必要的模块

import os

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.metrics.pairwise import cosine_similarity

使用OS模块加载文本文件的路径，然后使用TfidfVectorizer对文本数据和余弦相似度执行词嵌入，来计算是否存在抄袭。

· 用列表推导式(List Comprehension)读取所有文本文件

接下来使用列表推导式来加载项目目录中所有的路径文件，如下：

student_files =[doc for doc in os.listdir() if doc.endswith( .txt )]

· 使用Lambda功能来向量化并计算相似性。

需要创建两个lambda函数，一个用来将文本转换成数字数组，另一个用来计算它们的相似性。

vectorize =lambda Text: TfidfVectorizer().fit_transform(Text).toarray()

similarity = lambda doc1, doc2:cosine_similarity([doc1, doc2])

· 将文本数据向量化

加入下列两行代码，将加载的学生文件向量化：

vectors =vectorize(student_notes)

s_vectors = list(zip(student_files,vectors))

创造一个计算相似性的功能。下面是脚本的主要功能，负责管理计算学生之间相似度的整个过程。

def check_plagiarism():

plagiarism_results = set()

global s_vectors

for student_a, text_vector_a in s_vectors:

new_vectors=s_vectors.copy()

current_index = new_vectors.index((student_a,text_vector_a))

del new_vectors[current_index]

for student_b , text_vector_b in new_vectors:

sim_score =similarity(text_vector_a, text_vector_b)[0][1]

student_pair= sorted((student_a, student_b))

score = (student_pair[0], student_pair[1],sim_score)

plagiarism_results.add(score)

return plagiarism_results

Let’s print plagiarism results

for data in check_plagiarism():

print(data)

· 最终代码

完成上述所有操作后会得到如下脚本，可以检测学生作业中是否存在抄袭行为。

import os

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.metrics.pairwise import cosine_similarity

student_files = [doc for doc in os.listdir() if doc.endswith( .txt )]

student_notes=[open(File).read() for File in student_files]

vectorize = lambda Text:TfidfVectorizer().fit_transform(Text).toarray()

similarity = lambda doc1, doc2: cosine_similarity([doc1,doc2])

vectors = vectorize(student_notes)

s_vectors= list(zip(student_files, vectors))

def check_plagiarism():

plagiarism_results = set()

global s_vectors

for student_a, text_vector_a in s_vectors:

new_vectors=s_vectors.copy()

current_index = new_vectors.index((student_a,text_vector_a))

del new_vectors[current_index]

for student_b , text_vector_b in new_vectors:

sim_score =similarity(text_vector_a, text_vector_b)[0][1]

student_pair= sorted((student_a, student_b))

score = (student_pair[0], student_pair[1],sim_score)

plagiarism_results.add(score)

return plagiarism_results

for data in check_plagiarism():

print(data)

· 输出：

运行上述app.py，结果如下：

$ python app.py#

__________RESULT ___________

( john.txt , juma.txt , 0.5465972177348937)

( fatma.txt , john.txt , 0.14806887549598566)

( fatma.txt , juma.txt , 0.18643448370323362)

抄袭检测器完成啦！老师们用起来，广大中小学生们的美梦就此结束了。