SUCHOMEL, Šimon, Jan KASPRZAK a Michal BRANDEJS. Three Way Search Engine Queries with Multi-feature Document Comparison for Plagiarism Detection. In CLEF2012 Working Notes ; CEUR Workshop Proceedings Vol. 1178. Italy, Rome: Univesity "La Sapienza". s. 1-12. ISSN 1613-0073. 2012.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Three Way Search Engine Queries with Multi-feature Document Comparison for Plagiarism Detection
Název česky Trojcestné dotazování s detailním porovnáním dokumentů pro detekci plagiátorství
Autoři SUCHOMEL, Šimon (203 Česká republika, garant, domácí), Jan KASPRZAK (203 Česká republika, domácí) a Michal BRANDEJS (203 Česká republika, domácí).
Vydání Italy, Rome, CLEF2012 Working Notes ; CEUR Workshop Proceedings Vol. 1178, od s. 1-12, 12 s. 2012.
Nakladatel Univesity "La Sapienza"
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Itálie
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
WWW Text publikace
Kód RIV RIV/00216224:14330/12:00081844
Organizační jednotka Fakulta informatiky
ISSN 1613-0073
Klíčová slova česky plagiátorství; podobnost dokumentů; vnější plagiátorství; vnitřtní plagiátorství; vyhledávání zdrojových dokumentů; webové vyhledávání; formulace dotazů; společné vlastnosti
Klíčová slova anglicky plagiarism; document similarity; external plagiarism; intrinsic plagiarism; candidate document retrieval; web search; queries construction; common features
Štítky candidate document retrieval, IS, PAN, Plagiarism, plagiarism detection
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 5. 5. 2016 16:15.
Anotace
In this paper, we describe our approach at the PAN 2012 plagiarism detection competition. Our candidate retrieval system is based on extraction of three different types of Web queries with narrowing their execution by skipping certain passages of an input document. We have created queries based on keywords extraction, intrinsic plagiarism detection and headers extraction. We have also compared the performance of constructed queries used during the PAN 2012 test process. The proposed methodology was the best performing one in case of long term operation and also the most cost-effective one. Our detailed comparison system is based on detecting common features of several types (in the final submission, we have used two types of features: sorted word 5-grams and unsorted stop word 8-grams) in the input document pair. We propose a method of computing so called valid intervals from those features, represented by their offset and length attributes in both source and suspicious document. Previous works use the feature ordering as the measure of distance, which is not usable for multiple types of features, which do not have any natural ordering. From those valid intervals we compute final detections in the post-processing phase, where we merge neighbouring valid intervals and remove some types of overlapping detections. We further discuss other approaches which we explored, but which have not been used in our final submission. In the paper we also discuss the performance aspects of our program, parameter settings, and the relevance of current PAN 2012 rules (including the plagdet score) to the real-world plagiarism detection systems.
Anotace česky
V tomto článku popisujeme náš přístup v soutěži PAN 2012 v detekci plagiátorství. V první části, vyhledávání podezřelých dokumentů, jsme použili přístup založený na extrakci tří odlišných typů Webových dotazů a aplikovali heuristiku pro minimalizaci celkového počtu použitých dotazů na základě nalezených podobností dokumentů. Jednotlivé typy dotazů byly vytvořeny z klíčových slov dokumentu, z částí textu detekovaných metodou pro detekci vnitřního plagiátorství a na základě lokálních nadpisů v textu. Tato metodika pro vyhledávání podezřelých dokumentů byla v rámci soutěže nejefektivnější. Náš systém pro detailní porovnávání párů dokumentů je založen na hledání výskytu společných vlastností (například společné skupiny slov), přičemž systém vyhodnocuje společné vlastnosti více různých typů. Náš finální výsledek byl založen na dvou typech vlastností: setříděné pětice slov a nesetříděné osmice stop-slov. Navrhujeme metodu výpočtu takzvaných platných rozsahů na základě těchto společných vlastností, kde platný rozsah je reprezentován svým počátečním znakem a délkou jak ve zdrojovém, tak v podezřelém dokumentu. Předchozí práce používaly pro reprezentaci vzdálenosti pořadí výskytu jednotlivých společných vlastností. Toto není použitelné pro systém s více typy vlastností, které nemusejí mít mezi sebou navzájem žádné přirozené uspořádání. Z těchto platných rozsahů počítáme výsledné detekované pasáže textu ve fázi následného zpracování, kde se snažíme slučovat blízké platné rozsahy a odstraňovat některé typy překrývajících se rozsahů. Dále rozebíráme jiné přístupy které jsme vyzkoušeli, ale nepoužili v našem finálním výsledku. V tomto článku také diskutujeme výkonnostní aspekty našeho programu, nastavení parametrů, a relevantnost kritérií hodnocení PAN 2012 (včetně hodnoty plagdet) pro reálné systémy na odhalování plagiátů.
Návaznosti
LA09016, projekt VaVNázev: Účast ČR v European Research Consortium for Informatics and Mathematics (ERCIM) (Akronym: ERCIM)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Účast ČR v European Research Consortium for Informatics and Mathematics
Typ Název Vložil/a Vloženo Práva
CLEF2012wn-PAN-SuchomelEt2012.pdf Licence Creative Commons  Verze souboru Suchomel, Š. 16. 1. 2013

Vlastnosti

Adresa v ISu
https://is.muni.cz/auth/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.pdf
Adresa ze světa
https://is.muni.cz/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.pdf
Adresa do Správce
https://is.muni.cz/auth/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.pdf?info
Ze světa do Správce
https://is.muni.cz/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.pdf?info
Vloženo
St 16. 1. 2013 11:41, RNDr. Šimon Suchomel, Ph.D.

Práva

Právo číst
  • kdokoliv v Internetu
  • osoba RNDr. Jan Kasprzak, Ph.D., učo 1885
  • osoba doc. Ing. Michal Brandejs, CSc., učo 2116
  • osoba RNDr. Pavel Šmerk, Ph.D., učo 3880
  • osoba RNDr. Šimon Suchomel, Ph.D., učo 98949
Právo vkládat
 
Právo spravovat
  • osoba RNDr. Jan Kasprzak, Ph.D., učo 1885
  • osoba doc. Ing. Michal Brandejs, CSc., učo 2116
  • osoba RNDr. Pavel Šmerk, Ph.D., učo 3880
  • osoba RNDr. Šimon Suchomel, Ph.D., učo 98949
Atributy
 

CLEF2012wn-PAN-SuchomelEt2012.pdf

Aplikace
Otevřít soubor.
Stáhnout soubor.
Adresa v ISu
https://is.muni.cz/auth/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.pdf
Adresa ze světa
https://is.muni.cz/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.pdf
Typ souboru
PDF (application/pdf)
Velikost
134,7 KB
Hash md5
e8cc81f620585960b99e31ca8c9aa2cf
Vloženo
St 16. 1. 2013 11:41

CLEF2012wn-PAN-SuchomelEt2012.txt

Aplikace
Otevřít soubor.
Stáhnout soubor.
Adresa v ISu
https://is.muni.cz/auth/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.txt
Adresa ze světa
https://is.muni.cz/publication/1080912/CLEF2012wn-PAN-SuchomelEt2012.txt
Typ souboru
holý text (text/plain)
Velikost
30,8 KB
Hash md5
20e191185395b6b5f924a922d5207b02
Vloženo
St 16. 1. 2013 11:43
Vytisknout
Nahlásit neoprávněně vložený soubor Zobrazeno: 19. 4. 2024 05:49