科研重復(fù)率信息整合平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)

咸悅 梁瑋琪

摘 要：本文結(jié)合進(jìn)行項(xiàng)目查重現(xiàn)有方法研究一種準(zhǔn)確、高效的方式。總結(jié)了科技項(xiàng)目查重的一般過(guò)程，將其概括為文本預(yù)處理、特征提取、模型構(gòu)建、相似度判別和專家審核。采用資源采集技術(shù)，文本數(shù)據(jù)庫(kù)加工技術(shù)，文本數(shù)據(jù)庫(kù)技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識(shí)挖掘技術(shù)， 自然語(yǔ)言處理技術(shù)、快速比對(duì)技術(shù)等，從多方面進(jìn)行數(shù)據(jù)采集，通過(guò)文本預(yù)處理、特征提取以及模型構(gòu)建及相似度判別，從而為查重網(wǎng)站信息整合平臺(tái)做出有力的數(shù)據(jù)支撐，為查重體系提供必要的參考。

關(guān)鍵詞：科研項(xiàng)目;文本挖掘;精準(zhǔn)對(duì)比

引言：

我國(guó)近年來(lái)不斷加大科研投入的規(guī)模和強(qiáng)度，科研項(xiàng)目的數(shù)量和經(jīng)費(fèi)規(guī)模均得到顯著的提升，形成了多個(gè)層次的國(guó)家科技計(jì)劃資助體系。然而，項(xiàng)目多頭申報(bào)、重復(fù)立項(xiàng)已成為科研項(xiàng)目管理領(lǐng)域的突出問(wèn)題之一，尤其是跨科技計(jì)劃的重復(fù)立項(xiàng)問(wèn)題。該問(wèn)題不僅會(huì)造成國(guó)家科技資源的浪費(fèi)，而且也會(huì)導(dǎo)致惡性的科研競(jìng)爭(zhēng)環(huán)境，對(duì)科技創(chuàng)新發(fā)展的危害極大。因此，如何建立有效、可行的項(xiàng)目查重機(jī)制已經(jīng)成為科技計(jì)劃管理部門的重要任務(wù)之一。

教育一直是整個(gè)社會(huì)的熱點(diǎn)問(wèn)題和關(guān)鍵問(wèn)題。但現(xiàn)在隨著互聯(lián)網(wǎng)的廣泛應(yīng)用“抄襲借鑒”形成了一種風(fēng)氣，教育部在《關(guān)于切實(shí)加強(qiáng)和改進(jìn)高等學(xué)校學(xué)風(fēng)建設(shè)的實(shí)施意見(jiàn)》中指出：“學(xué)風(fēng)是大學(xué)精神的集中體現(xiàn)，是教書育人的本質(zhì)要求，是高等學(xué)校的立校之本、發(fā)展之魂?！?誠(chéng)信教育，是人類文化的重要組成部分，是弘揚(yáng)人文精神的重要形式，在社會(huì)主義先進(jìn)文化建設(shè)中發(fā)揮著不可替代的作用，要求我們大力弘揚(yáng)愛(ài)國(guó)主義、集體主義、社會(huì)主義思想，以增強(qiáng)誠(chéng)信意識(shí)為重點(diǎn)，加強(qiáng)社會(huì)公德、職業(yè)道德、家庭美德、個(gè)人品德建設(shè)。讓高校學(xué)生認(rèn)識(shí)到誠(chéng)信的重要性，將有助于學(xué)生樹立正確的學(xué)習(xí)目的和學(xué)習(xí)態(tài)度，并制定合理的學(xué)習(xí)計(jì)劃，并通過(guò)他們的努力實(shí)現(xiàn)自己具體的奮斗目標(biāo)。論文查重需要強(qiáng)大的技術(shù)作為支撐，包括資源采集技術(shù)，文本數(shù)據(jù)庫(kù)加工技術(shù)，文本數(shù)據(jù)庫(kù)技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識(shí)挖掘技術(shù)， 自然語(yǔ)言處理技術(shù)、快速比對(duì)技術(shù)等。因此，本文是針對(duì)于科研項(xiàng)目設(shè)計(jì)的查重整合平臺(tái)。

1.概述

為推動(dòng)科技創(chuàng)新發(fā)展和提高科技競(jìng)爭(zhēng)力，科技項(xiàng)目查重已成為科技管理領(lǐng)域常見(jiàn)的詞匯，科技項(xiàng)目查重一般是指從已有的項(xiàng)目數(shù)據(jù)中通過(guò)文本挖掘和綜合判斷，確認(rèn)是否存在與待查項(xiàng)目的研究?jī)?nèi)容相同或高度相似的項(xiàng)目的過(guò)程。已有的項(xiàng)目數(shù)據(jù)包括通過(guò)正式立項(xiàng)的項(xiàng)目信息如項(xiàng)目名稱、關(guān)鍵詞、摘要和項(xiàng)目申報(bào)書等，也包括項(xiàng)目的關(guān)聯(lián)信息如學(xué)術(shù)論文、科技報(bào)告和科技成果等。此外，項(xiàng)目承擔(dān)人和承擔(dān)單位等信息也能提供一定的線索?；谖谋就诰虻姆椒茏詣?dòng)的計(jì)算項(xiàng)目的相似性，但其準(zhǔn)確性較差，可用于快速排除大量的無(wú)關(guān)項(xiàng)目。項(xiàng)目的重復(fù)性判斷是一個(gè)復(fù)雜的過(guò)程，需要專家的綜合判斷能力甄別出重復(fù)的項(xiàng)目，但需要耗費(fèi)大量的人力。

結(jié)合上述方法進(jìn)行項(xiàng)目查重才是一種準(zhǔn)確、高效的方式?？萍柬?xiàng)目查重的一般過(guò)程，將其概括為文本預(yù)處理、特征提取、模型構(gòu)建、相似度判別和專家審核。 采用資源采集技術(shù)，文本數(shù)據(jù)庫(kù)加工技術(shù)，文本數(shù)據(jù)庫(kù)技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識(shí)挖掘技術(shù)， 自然語(yǔ)言處理技術(shù)、快速比對(duì)技術(shù)等。在海量的全文數(shù)據(jù)的基礎(chǔ)上實(shí)現(xiàn)快速準(zhǔn)確的檢測(cè)，上述技術(shù)是基本的保證。另外，檢測(cè)比對(duì)庫(kù)里需要收錄期刊、學(xué)位論文、會(huì)議論文、報(bào)紙、年鑒、工具書、專利、外文文獻(xiàn)、學(xué)術(shù)文獻(xiàn)引文等與科學(xué)研究、學(xué)習(xí)相關(guān)的主要資源，才可以支撐起一個(gè)論文查重檢測(cè)系統(tǒng)。

2.平臺(tái)搭建

本文所設(shè)計(jì)一款基于HTML的查重網(wǎng)站信息整合平臺(tái)進(jìn)行對(duì)外開放，主要針對(duì)于當(dāng)代高校師生，隨著互聯(lián)網(wǎng)的普及與此同時(shí)隨著網(wǎng)絡(luò)成為新時(shí)代發(fā)展趨勢(shì)。本著端正學(xué)風(fēng)的宗旨，本項(xiàng)目提出查重網(wǎng)站信息整合平臺(tái)要求學(xué)生要堅(jiān)持“誠(chéng)信立人”的原則，養(yǎng)成“嚴(yán)謹(jǐn)為學(xué)”的態(tài)度，促進(jìn)學(xué)術(shù)的健康、良性發(fā)展保護(hù)個(gè)人知識(shí)產(chǎn)權(quán)。

1、科技項(xiàng)目查重信息整合平臺(tái)的設(shè)計(jì)：

平臺(tái)將從已有的科技項(xiàng)目大數(shù)據(jù)中通過(guò)文本挖掘和綜合判斷，確認(rèn)是否存在與待查項(xiàng)目的研究?jī)?nèi)容相同或高度相似的項(xiàng)目，也包括項(xiàng)目的關(guān)聯(lián)信息如學(xué)術(shù)論文、科技報(bào)告和科技成果等。此外，項(xiàng)目承擔(dān)人和承擔(dān)單位等信息也能提供一定的線索，因此科技項(xiàng)目查重的一般過(guò)程將其概括為文本預(yù)處理、特征提取、模型構(gòu)建、相似度判別和模擬專家審核;

2、科技項(xiàng)目比對(duì)庫(kù)：

科技項(xiàng)目查重信息整合平臺(tái)要建立一套科技項(xiàng)目比對(duì)庫(kù)，包含近年來(lái)已有的科研項(xiàng)目導(dǎo)入;

3、科技項(xiàng)目比對(duì)文檔：

通常是網(wǎng)頁(yè)在線格式或PDF格式，報(bào)告上會(huì)體現(xiàn)與已有的科研項(xiàng)目相似的比例、重復(fù)的內(nèi)容、重復(fù)內(nèi)容的來(lái)源等。

3.處理過(guò)程

論文查重系統(tǒng)看起來(lái)比較簡(jiǎn)單，其實(shí)需要強(qiáng)大的技術(shù)作為支撐，包括資源采集技術(shù)，文本數(shù)據(jù)庫(kù)加工技術(shù)，文本數(shù)據(jù)庫(kù)技術(shù)， 數(shù)字資源版權(quán)保護(hù)技術(shù)， 知識(shí)挖掘技術(shù)， 自然語(yǔ)言處理技術(shù)、快速比對(duì)技術(shù)等。

1、預(yù)處理：

預(yù)處理是將科技項(xiàng)目的相關(guān)大數(shù)據(jù)信息處理為指定的規(guī)范格式，并對(duì)文本信息確定處理單元及進(jìn)行分詞或分句、去停用詞等。

2、特征提取：

特征提取是從預(yù)處理后的數(shù)據(jù)中挖掘出能全面/部分描述項(xiàng)目?jī)?nèi)容且區(qū)別于其他項(xiàng)目的特征向量，一般由特征詞和權(quán)重組成，采用基于詞頻或 TFIDF 值的方法計(jì)算其權(quán)重，并在大數(shù)據(jù)挖掘和文本分析領(lǐng)域應(yīng)用基于 TextRank 和主題模型的方法。

3、模型構(gòu)建：

模型構(gòu)建是按照數(shù)據(jù)規(guī)劃方式對(duì)特征向量進(jìn)行整合，從而建立能準(zhǔn)確、全面描述項(xiàng)目?jī)?nèi)容的模型。

4、相似度判別：

相似度判別是基于項(xiàng)目表示模型設(shè)計(jì)相似度判別函數(shù)，從已有項(xiàng)目的數(shù)據(jù)庫(kù)中發(fā)現(xiàn)疑似項(xiàng)目的過(guò)程。

5、模擬專家審核：

重復(fù)對(duì)疑似項(xiàng)目進(jìn)行二次數(shù)據(jù)綜合分析和判斷，確定待查項(xiàng)目是否為重復(fù)項(xiàng)目并提供相關(guān)證據(jù)的過(guò)程。

4.結(jié)論

綜上所述，本文所提出的基于HTML的查重網(wǎng)站信息整合平臺(tái)能夠從多方面進(jìn)行數(shù)據(jù)采集，通過(guò)文本預(yù)處理、特征提取以及模型構(gòu)建及相似度判別，從而為查重網(wǎng)站信息整合平臺(tái)做出有力的數(shù)據(jù)支撐，為查重體系提供必要的參考。

參考文獻(xiàn)：

[1]李善青，邢曉昭，杜圣梅.科技項(xiàng)目查重方法研究綜述[J].科技管理研究. 2018（06）

*基金項(xiàng)目：本文為吉林農(nóng)業(yè)科技學(xué)院自然科學(xué)類科研項(xiàng)目，項(xiàng)目編號(hào)吉農(nóng)院合字第[校20190693]號(hào)。

（吉林農(nóng)業(yè)科技學(xué)院? 吉林? 132000）