设计一个论文查重算法

新的一年毕业季就要到来了，大家都在准备毕业论文了，临毕业的学子都知道论文到最后会有一个论文查重的过程，这个查重过程是非常严格的，学校对论文查重会设置一个门槛，大部分学校定的都是论文的抄袭率不能高于30%，一旦重复率高于这个阀值，轻者延期毕业，重者就会被取消学位，很多同学在写论文时都会在网上参考，这就会面临极大的查重风险，所以我们需要掌握一些方法，这样有几率可以帮助降低重复率。我原来使用过PaperPaper查重软件，大家可以用这些方法去试试。

论文查重率是怎么计算的呢?论文查重率是由论文查重系统将论文与数据库中的文献资源进行比对，检测出重复的部分，然后计算出这些重复内容所占全部论文内容的比重，这个比重也就是论文查重率。 公式如下：论文查重率=论文重复字数/论文总字数*100%

知网检测系统是如何进行字数计算的呢？关于大学生、研究生、博士生都要写论文，论文的写作是有字数限定的，那么知网查重是怎么统计字数的呢？上面小编带您详细了解一下知网论文查重字数统计的标准。第一步，先用word打开毕业论文，可以选择最下面的菜单项[字数]。补充：如果你是老版本Word软件就需要在最上面菜单项中选择一个工具，然后我们可以看到一字数。第二步：点击字数，弹出：页数、字数、字符数(不计空格)、字符数(计空格)、段落数、非中文单词、中文字符，看到字符（不计算空格）为需要计数的字符数。假如咱们在选择论文检测系统时，字符计超出了最大系统限制数，那么我们就可以把一些不需要检测的内容去掉，依次是论文封面、原创声明、目录、参考文献、附录、英文摘要、中文摘要等，最后留下论文正文部分的内容就可以了。所有的论文查重都是以字符数不计空格为规范，知网报告单中的字数也就是统计在Word中的字符数不计空格（存在误差）。在知网查重时，正确的统计字符数能够迅速有效地进行查重，不会出现知网检测系统因字符数超限而导致检测不合格的情况。

论文重复率=论文重复字数/论文总字数* 100%，是计算论文重复率的公式。注意是公式，不是算法！那么内容重复是由查重系统根据算法，通过与数据库中的内容进行比对决定的。本科毕业论文的重复率一般要求在30%以下，严格的要求在20%以下，还有得毕业论文要求在10%以下。一般高质量毕业论文重复率在15%以内；研究生低于10%，博士低于5%。

那么，论文查重系统如何计算论文的重复率呢？不同的系统有不同的算法。

论文查重系统设置了5%的阈值，这个阈值是通过段落(或章节)中的字数来计算的。5%以下的单篇文献抄袭或引用无法检测，常见于从句或大段落的小概念。

例如，如果检测到的段落A有100个单词，5%的单词与文档A重复，则不会被检测到。如果与B文件的重复超过50字，则第一章分发的B文件的抄袭部分会用红字标注。不管它在第一章的位置，即使被打断成一个句子，如果超过13个单词，也会被标记出来。

本文第一章有5000字，所以第一章只能引用500字以内的A文档，否则会被系统认为抄袭。第二章4000字，所以只能引用200字以内的A文档，否则会被系统认为是抄袭。

不同的学校，不同的法规，一些规定不得超过30％。

很多网站都可以做论文查重，但是学校一般只认可权威的知网查重。知网查重的算法一般会检测论文的目录，可以分章检测。然后就会检测论文的摘要以及正文等内容的重复度。建议众多的同学们在写论文之前先确定自己的论点和论据，设计好论文结构。

然后再根据论点去找可以参考的论文。如果你是先找的参考论文再去想自己的论文该怎么写，那么重复率必然会很高。因为论文无论是结构还是内容都在模仿其他的论文。而且一开始结构就不调理，很有可能被老师指出毛病来。所以毕业论文要注意所有的文字部分，几乎都是查重的内容。

一方面这些资料计算机不好进行比对，另一方面论文侧重于文字的检测。这对广大的同学来说是一个福音，一些重要的图片和公式可以直接引用其他文献的。但是为了严谨性，为了不引起不必要的争议，需要在引用图片和公式的地方注明引用的出处。

有些同学会问自己也不清楚写的论文的重复率高不高，有哪些检测的手段吗？我们一般都是通过权威的收费检测网站进行检测，缺点是收费比较高。

也可以选择和知网检测规则接近的免费检测平台，检测的结果应该是接近的。目前网上比较好的平台有笔迹查重等网站。

参考资料来源：百度百科-查重