用爬虫比较两篇文章相似度的基本方法是：抽取网页新闻中的关键词，接着将关键词向量化，然后将得到的各个词向量相加，最后得到的一个词向量总和代表网页新闻的向量化表示，利用这个总的向量计算网页相似度。包括的步骤是：1）关键词提取，2）关键词向量化，3）相似度计算。
目前，高校对于硕博士论文,需要通过抄袭检测系统的检测才能算过关。对本科生来说，大部分学校也采取抽查的方式对本科论文进行检测。
抄袭过多，一经查出超过20%,后果严重。轻者延期毕业，重者取消学位。尼玛辛辛苦苦读个大学，学位报销了多不爽。
但是，软件毕竟是人工设置的一种机制，里面内嵌了检测算法，我们只要摸清其中的机理，通过简单的修改，就能成功通过检测。
本文是在网络收集的资料。整理了最重要的部分，供大家参考。
论文抄袭检测算法：
1.论文的段落与格式
论文检测基本都是整篇文章上传，上传后，论文检测软件首先进行部分划分，上交的最终稿件格式对抄袭率有很大影响。不同段落的划分可能造成几十个字的小段落检测不出来。因此，我们可以通过划分多的小段落来降低抄袭率。
2.数据库
论文检测，多半是针对已发表的毕业论文，期刊文章，还有会议论文进行匹配的，有的数据库也包含了网络的一些文章。这里给大家透露下，很多书籍是没有包含在检测数据库中的。之前朋友从一本研究性的著作中摘抄了大量文字，也没被查出来。就能看出，这个方法还是有效果的。
3.章节变换
很多同学改变了章节的顺序，或者从不同的文章中抽取不同的章节拼接而成的文章，对抄袭检测的结果影响几乎为零。所以论文抄袭检测大师建议大家不要以为抄袭了几篇文章，或者几十篇文章就能过关。
4.标注参考文献
参考别人的文章和抄袭别人的文章在检测软件中是如何界定的。其实很简单，我们的论文中加了参考文献的引用符号，但是在抄袭检测软件中。都是统一看待，软件的阀值一般设定为1%，例如一篇文章有5000字,文章的1%就是50字，如果抄袭了多于50，即使加了参考文献，也会被判定为抄袭。
5.字数匹配
论文抄袭检测系统相对比较严格，只要多于20单位的字数匹配一致，就被认定为抄袭，但是前提是满足第4点，参考文献的标注。
论文抄袭修改方法：
首先是词语变化。文章中的专业词汇可以保留，尽量变换同义词；
其次，改变文中的描述方式，例如倒装句、被动句、主动句；打乱段落的顺序，抄袭原文时分割段落，并重组。
通过上述方法，能有效降低抄袭率。
下面举几个例子，大家可以参考下：
例句A：
本文以设备利用率最大化为目标函数,采用整数编码与实数编码相结合的遗传算法,研究了HFS的构建问题。本文提出的染色体编码方法及相应的遗传操作方法可实现研究对象的全局随机寻优。通过对car系列标准算例的研究,显示了本文提出方法具有较高的计算重复性和计算效率。
修改A：
本文研究了HFS问题的构建，通过遗传算法并结合整数与实数编码，目标函数为最大化设备利用率来求解。本文的染色体编码方法与对应的遗传算法操作可有效提高算法的全局搜索能力。通过对一些列基准算例的研究，验证了本文算法的有效性，并具有较高的计算重复性和较高的运算效率。
例句B：
由于房地产商品的地域性强，房地产开发企业在进行不同区域投资时，通常需要建立项目公司，此时就会面临建立分公司还是子公司的选择。子公司是一个独立的法人，而分公司则不是独立法人，它们在税收利益方面存在差异。子公司是独立法人，在设立区域被视为纳税人，通常要承担与该区域其它公司一样的全面纳税义务；分公司不是独立的法人实体，在设立分公司的所在区域不被视为纳税人，只承担有限的纳税义务，分公司发生的利润与亏损要与总公司合并计算。
修改B：
房地产开发企业在不同区域进行投资时，由于此类商品的地域性强，因此需要建立项目公司。此时，企业需要选择建立分公司还是子公司。主要的区别是子公司具有独立的法人，分公司则不是独立法人。其次，在税收利益方面，由于分公司不是独立的法人实体，在设立分公司的所在区域不被视为纳税人，只承担纳税义务，总公司需要合并计算分公司的利润与亏损；而子公司是独立法人，在所在区域被视为法人实体，需要承担与区域其他公司一样的全面纳税义务。
修改抄袭的方法不外乎这些，这里更建议同学们，先熟悉你所看的参考论文，关闭文档，用自己的话写出来，这样就不会受参考文献的太多影响。
有同学这里就提出问题了，学校用的检测系统是知网的学术不端检测系统，不是淘宝几元钱买的万方数据检测。
其实，各个检测系统的算法区别并不大，只是数据库有多有少，如果你没有太多，什么系统都不用怕。既然你抄了，得到检测报告的同时，先好好修改自己的文章。
A、 找出段落的中心思想 任何阅读材料都有主要意思，即大意(main idea)。文字材料的大意有不同的层次。一个比较长的句子可以说很多事情，但一般只有一个大意，可以用几个词概括；一个段落包括很多句子，但也只有一个大意，通常是段落的主题句(topic sentence)包含段落的大意。通常人们说“大意”指的是整篇材料的中心思想。? 非小说体的阅读材料通常有比较明显的大意，其结构也比较清楚。文章的开头部分(introduction)会比较明确地指出文章的中心思想。文章主体部分的每一段也往往有主题句，通常在段首或段尾。有些文章的结尾还会对全文作一个总的概括。? B、 如何对待阅读中的词汇问题? 阅读过程中不可避免地要遇到生词。大纲中规定允许有3%的生词，也就是说2000个词中允许有60个左右的生词，但一般不会有这么多的生词。有的人一遇到生词就停下来查字典，有的则读完一两页后查字典，有的人则完全不管生词。其实阅读中遇到生词只要不影响你对篇章主要意思的理解，一般应该继续往下读。如果生词的确影响你对内容的理解，查字典当然是一种办法，但很不方便，而且频繁地查字典不仅影响阅读速度，而且影响对文章内容的整体理解。所以在平时阅读时，遇生词最好的方法是通过上下文猜测。以下几条建议可帮助你猜测词义：? 21世纪教育网 （1）看看上下文中有没有生词的另一种说法，即找同义词。有时上下文会对一个生词作解释，或者提供一些暗示。? （2）看看生词在文章中的词性，即看这个词是名词、动词、形容词、副词或其他词类。另外再看看这个词在文中与哪些词搭配使用，再根据自己的其他知识，就可以进行正确的猜测。（3）分析生词的构成，尤其是词的前缀和后缀。英语中很多词都是加前缀或后缀变来的。比如你认识这两个词write和similar，根据前缀re-和后缀-ity的含义，你就可以准确地猜出rewrite和similarity这两个词的意思。? （4）看看同一生词是否在上下文的其他地方出现，把两处的语境相比较，也许能更加准确地猜出词义。? （5）充分利用你关于所阅读的内容已有的知识。为了巩固阅读过程中的生词，在读完一篇后，你可以把本篇中最重要的生词查一下字典，准确地了解该生词在文中的意思。因为我们训练的篇章都是大纲规定的题材，在真题中也可能会遇到这方面的文章，甚至单词。? C、 推论出段落的隐含意思 有时，为了某种目的，作者往往不直接说出某一意思，而是含蓄地表达。这种隐含的意思有时是篇章的主要意思。所以阅读短文经常需要推论(making inference)。有时一句话的含义需要推论，有时整个篇章的含义需要推论。以下几条建议可以帮助你进行推论：? 21edu.com （1）结合作者的思想观点、写作背景进行推论。? （2）寻找作者直接陈述的诸多事件之间的联系。 （3）仔细体会某些重要词的含蓄意义及其感情色彩。比如politician和statesman的意思都是“政治家”，但前者有贬义的色彩，即“政客”，后者则没有。? （4）从作者的语气、语调、措辞等文体特征，读出作者的“言外之意”(reading beyond the lines)。? （5）得出某一推断后，尽量从上下文中寻找证据。? （6）充分利用自己已有的各方面的知识，把文章中所述的事情和自己的阅历或熟悉的事情联系起来考虑。? D、 预测下文内容 预测下文内容也是提高阅读效率的重要手段。预测与猜测不同。猜测是对自己没有把握的文字意思的假设，预测则是根据已掌握的信息假想下文将会发生什么事情。预测之所以能够提高阅读效率，是因为它使你产生某种“期待”(expectations)。带着这种期待去读下文，你会努力为你的假想寻找证据，你的注意力将更加集中在文中的重要内容上。? 当然，预测也不是随意的，必须根据已经发生的事情或已了解的内容加上你自己的一般常识进行符合逻辑的预测。当你继续阅读下文时，你的预测要么被肯定，要么被否定。无论是肯定还是否定，都会加深你对原文的理解。以下是几条建议：? 21edu.com （1）如果你对段落的主题思想已有初步的了解，想一想关于这一主题通常要描写哪些方面的事情，这些事情在本文中会发生吗？? （2）运用你的英语语言知识及语言在具体语境中的习惯用法，预测文章将要写什么。? 以上的介绍没有特别将正常阅读和快速阅读分开，是因为无论阅读哪一部分的试题，都会用到。阅读能力的提高不是靠短时间的突击就能提高的，需要我们持之以恒，长期进行正确的操练。英语专业八级考试是科学的语言测试，具有相当的信度和效度，靠投机取巧是不可能取得好成绩的，所以，我们衷心希望考生们能通过训练，真正地提高自己的语言能力，在八级考试中取得好的成绩。?
求采纳
