Candidate document retrieval for cross-lingual plagiarism detection using two-level proximity information

رشد سریع اسناد در زبان های مختلف، افزایش دسترسی به اسناد الکترونیکی و دسترسی به ابزارهای ترجمه موجب شده است که در سال های اخیر، توجه بیشتری را به خود جلب کند. وظیفه تشخیص سرقت ادبی متقابل شامل دو مرحله اصلی است: بازیابی نامزد و ارزیابی شباهت سندی دو طرفه. در این مقاله، ما بررسی بازیابی کاندید را انجام می دهیم، جایی که هدف آن یافتن اسناد منبع بالقوه یک متن مشکوک است. روش پیشنهادی ما برای تشخیص سرقت ادبی متقابل یک رویکرد متمرکز به کلید واژه است. از آنجایی که سرقت ادبی معمولا در بخش هایی از متن اتفاق می افتد، نیازمند تقسیم متون به قطعات برای تشخیص هویت محلی است. بنابراین ما یک الگوریتم تقسیم بندی بر مبنای موضوع پیشنهاد می کنیم تا سند مشکوک را به مجموعه ای از نقل قول های مرتبط تبدیل کند. پس از آن، ما از یک مدل مبتنی بر مجاورت برای بازیابی اسناد با بهترین پارامترها استفاده می کنیم. آزمایشات نشان می دهد نتایج امیدوار کننده برای این مرحله مهم از تشخیص سرقت ادبی متقابل.