我可是巴拉巴拉小魔仙呢
如何通过词向量技术来计算2个文档的相似度
最近正好组内做了一个文档相似度的分享。
决定回答一发。
首先，如果不局限于NN的方法，可以用BOW+tf-idf+LSI/LDA的体系搞定，也就是俗称的01或one hot representation。
其次，如果楼主指定了必须用流行的NN，俗称word-embedding的方法，当然首推word2vec（虽然不算是DNN）。
然后得到了word2vec的词向量后，可以通过简单加权/tag加权/tf-idf加权等方式得到文档向量。
这算是一种方法。
当然，加权之前一般应该先干掉stop word，词聚类处理一下。
还有，doc2vec中的paragraph vector也属于直接得到doc向量的方法。
特点就是修改了word2vec中的cbow和skip-gram模型。
依据论文《Distributed Representations of Sentences and Documents》（ICML 2014）。
还有一种根据句法树加权的方式，是ICML2011提出的，见论文《Parsing Natural Scenes and Natural Language with Recursive Neural Networks》，后续也有多个改编的版本。
当然，得到词向量的方式不局限于word2vec,RNNLM和glove也能得到传说中高质量的词向量。
ICML2015的论文《From Word Embeddings To Document Distances, Kusner, Washington University》新提出一种计算doc相似度的方式，大致思路是将词之间的余弦距离作为ground distance，词频作为权重，在权重的约束条件下，求WMD的线性规划最优解。
最后，kaggle101中的一个word2vec题目的tutorial里作者如是说：他试了一下简单加权和各种加权，不管如何处理，效果还不如01，归其原因作者认为加权的方式丢失了最重要的句子结构信息（也可以说是词序信息），而doc2vec的方法则保存了这种信息。
在刚刚结束的ACL2015上，似乎很多人提到了glove的方法，其思想是挖掘词共现信息的内在含义，据说是基于全局统计的方法（LSI为代表）与基于局部预测的方法（word2vec为代表）的折衷，而且输出的词向量在词聚类任务上干掉了word2vec的结果，也可以看看。
《GloVe: Global Vectors forWord Representation》
如何检查多个word文档内容的相似度
操作步骤：1、单击审阅---->比较按钮，如图所示；2、弹出比较文档对话框，单击打开文体夹按钮，选择原文档和修订的文档即可，如图所示。
如何计算两个文档的相似度
展开全部 winmerge用这个操作步骤为：FC——文件比较命令 1.功能：比较文件的异同，并列出差异处。
2.类型：外部命令 3.格式：FC[盘符：][路径名]〈文件名〉[盘符：][路径名][文件名][/A][/B][/C][/N] 4.使用说明： (1)选用/A参数，为ASCII码比较模式； (2)选用/B参数，为二进制比较模式； (3)选用/C参数，将大小写字符看成是相同的字符。
(4)选用/N参数，在ASCII码比较方式下，显示相异处的行号。
计算两篇word文档格式的相似度
昨天晚上正无聊，看着电视机，无意中看到了感动中国着这个节目，这个节目吊起了我的胃口，这是一个被誉为“中国人年度精神史诗”的电视公益活动，被评为“感动中国2013年度十大人物”的分别是：隐姓埋名30年的中国核潜艇之父黄旭华；退休后20年坚持每天出诊的仁医胡佩兰；荣誉迟到28年而一生不悔的湖北见义勇为好市民方俊明；35年前仆后继、追逐科技梦想的“油菜花父子”沈克泉、沈昌健；守护开国将军梦想，全心全意为群众服务的革命老人龚全珍；年届90仍然坚持拾荒助学的山东老人刘盛兰；努力改变乡村面貌的基层好干部山西村官段爱平；悬崖边上的护梦人，西藏墨脱山区教师格桑德吉；为报答战友深情，几十年守护天山筑路士兵墓园的老兵陈俊贵；为子女筹学费，耗时3年绣出《清明上河图》的重病母亲姚厚芝。
这些人的事迹令我震撼，其中我觉得刘盛兰老人的事迹令我最感动，以拾荒和政府补贴为经济来源的他用自己攒下的，从衣食中节检下来的钱，全部捐给了那些需要帮助学子，有些学子不了解他，在回信中称呼他：刘奶奶，刘阿姨，当那些学子知道了，纷纷潸然泪下。
感动中国感动我心，我们要学习他们的大爱无疆。
代码相似度计算问题如何计算两个代码的相似度问题,用什么方法比较...
相似度（similarity）：本研究认为相似度是指，利用一定的检测方法度量两个对象 间的相似程度。
主要有文本相似度和程序代码相似度，一般情况下用一个数值 （0.0--1.0）或百分比值（0%--100%）来表示。
用其来标识两个文本或程序间的相似 程度，进而检测出相似文本或相似程序。
如何比较两个内容相似的Word文档求解
如果有两个差不多的Word文件要比较可咋办呢？Word文件有自己的格式，BC搞不懂里面的东西的。
强大的MS Word拥有一个功能，可以减轻一点比较两个word文件的痛苦。
以Word2007为例。
当系统中有两个以上的word文件打开的情况下，并排查看的选项会变成可选状态。
如果有两个以上的word文档处于开启状态，会有对话框弹出让你选择比较哪两个文件。
选中之后，可以在视图选项卡中选择重设窗口位置，这时你可以将你要比较的两个文档调整到你想要开始比较的位置上，然后点选同步滚动。
搞定啦！现在你可以拖动一个word的滚动条，另一个文档也会跟着一起滚动啦！试试看吧！
在两个极度相似的word文档里找不同有没有什么简便方法？
1.举例说明，创建两个简单的word文档，内容稍有不同。
2.首先打开word程序，然后点击菜单栏中的审阅-比较。
3.在弹出的比较窗口中选择要进行对比的两篇word文档，然后点击确定。
4.此时就会自动出现两篇word文档的对比结果，两篇文档的不同之处一目了然。
5.还可以保存比较后的word文档，保存之后打开来看一下。
论文怎么检测相似度
展开全部 第一步：初稿一般重复率会比较高（除非你是自己一字一句写的大神），可以采用万方、papertest去检测，然后逐句修改。
这个系统是逐句检测的，也就是说你抄的任何一句话都会被检测出来。
这种检测算法比较严格，从程序的角度分析这种算法比较简单。
因而网上卖的都很便宜，我测的是3万字，感觉还是物美价廉的。
（注意：1 这个库不包含你上一届研究生师兄的大论文，修改一定注意. 2 个人建议如果学校是用万方检测，就不要去检测维普之类的先把论文电子版复制一份，保存一份。
看检测结果，其中一份复制的备份论文，把检测出重复的部分能删了先删了，把不能删的，15字以内改一改，最好是加减字符，不要改顺序，改顺序没太大用，参考文献删掉一部分，不能删的话，先改下，英文文献可以15个字符换一个词。
把修改过的上交，重新过系统检查。
保存的原论文稍做改动上交纸质版。
那个系统很麻烦的，很多没看过没应用过的文献都能给你加上，可见中国人抄袭的功夫，都是互相抄，但是为了保证论文的完整性和表述的准确性，不要随意改动，上交的纸质版，一定要斟酌，一般检查完就不会再过检测系统了，所以纸质版的不用担心。
第二步：经过修改后，重复率大幅下降了。
这时你可以用知网查了，知网查重系统是逐段检测的，比较智能。
检测后再做局部修改就基本上大功告成了，我最后在网上用知网查是4%，简单修改后，在学校查是1.5%。
注意：记住，最忌讳的是为了查重，把论文语句改得语句不通、毫无逻辑，这样是逃不过老师的，哈哈，大家加油！ 知网系统计算标准详细说明： 1.看了一下这个系统的介绍，有个疑问，这套系统对于文字复制鉴别还是不错的，但对于其他方面的内容呢，比如数据，图表，能检出来吗？检不出来的话不还是没什么用吗？ 学术不端的各种行为中，文字复制是最为普遍和严重的，目前本检测系统对文字复制的检测已经达到相当高的水平，对于图表、公式、数据的抄袭和篡改等行为的检测，目前正在研发当中，且取得了比较大的进展，欢迎各位继续关注本检测系统的进展并多提批评性及建设性意见和建议。
2.按照这个系统39%以下的都是显示黄色，那么是否意味着在可容忍的限度内呢？最近看到对上海大学某教师的国家社科基金课题被撤消的消息，原因是其发表的两篇论文有抄袭行为，分别占到25%和30%. 请明示超过多少算是警戒线？ 百分比只是描述检测文献中重合文字所占的比例大小程度，并不是指该文献的抄袭严重程度。
只能这么说，百分比越大，重合字数越多，存在抄袭的可能性越大。
是否属于抄袭及抄袭的严重程度需由专家审查后决定。
3.如何防止学位论文学术不端行为检测系统成为个人报复的平台？ 这也是我们在认真考虑的事情，目前这套检测系统还只是在机构一级用户使用。
我们制定了一套严格的管理流程。
同时，在技术上，我们也采取了多种手段来最大可能的防止恶意行为，包括一系列严格的身份认证，日志记录等。
4.最小检测单位是句子，那么在每句话里改动一两个字就检测不出来了么？ 我们对句子也有相应的处理，有一个句子相似性的算法。
并不是句子完全一样才判断为相同。
句子有句子级的相似算法，段落有段落级的相似算法，计算一篇文献，一段话是否与其他文献文字相似，是在此基础上综合得出的。
5.如果是从相关书籍上摘下来的原话，但是此话已经被数据库中的相关文献也抄了进去，也就是说前面的文章也从相关书籍上摘了相同的话，但是我的论文中标注的这段话来自相关的书籍，这个算不算学术抄袭？ 检测系统不下结论，是不是抄袭最后还有人工审查这一关，所以，如果是您描述的这种情况，专家会有相应判断。
我们的系统只是提供各种线索和依据，让人能够快速掌握检测文献的信息。
6.知网检测系统的权威性？ 学术不端文献检测系统并不下结论，即检测系统并不对检测文献定性，只是将检测文献中与其他已发表文献中的雷同部分陈列出来，列出客观事实，而这篇检测文献是否属于学术不端，需专家做最后的审查确认。
关于知网相关抽查规定： 有规定的，可以进行第一次修改，修改之后通过就可以答辩，如果第二次不通过就算结业，在之后4个月内还要交论文或者设计的。
这个是在抄袭30%的基础上的。
如果抄袭50%以上的话，直接结业 在之后4个月内还要交论文或者设计的。
1.被认定为抄袭的本科毕业设计（论文），包括与他人已有论文、著作重复总字数比例在30%至50%（含50%）之间的，需经本人修改。
修改后经过再次检测合格后，方可参加学院答辩。
再次检测后仍不合格的，按结业处理。
须在3 个月后提交改写完成的毕业设计（论文），检测合格后再参加答辩。
2.被认定为抄袭的本科毕业设计（论文），且与他人已有论文、著作重复总字数比例超过50%的，直接按结业处理。
须在4 个月后提交改写的毕业设计（论文），检测合格后再参加答辩。
关于学校查重率、相似率、抄袭率： 各个学校不一样，全文重复率在30%一下（而有的学校，本科是20%）。
每章重复率应该没有要求，这个每个学校会出细则的，并且学校也出给出他们查重复率的地方——基本都是...
JAVA实现如何比较两个文档之间的异同点
展开全部 楼上回答驴唇不对马嘴。
这个文件比较功能，我做过比较txt简单文本文件的。
office文件没比过，说下想法，希望能对你有帮助打开要读取的两份文件，依次读取A所有行数，将每一行的数据以字符串的形式存储在一个字符串数组里，假如是 StringA[] ，同时也一样处理 B文件 分别从开始遍历两个 字符串数组，比较 相似（相同） 字符百分比。
当然有时候可能A文件第10行是一个空行，但是其下面的所有数据都和B文件一样，所以这个遍历对比不是门当户对的 行行相比，而是 一次遍历多对多的比较（但是仍要考虑顺序，比如A第10行和B第15行相同，但是A第12行又和B第10行相同，那么这一个范围段都是不匹配片断），找出相似度最高的。
希望能对你有帮助吧...
