1 背景
由于电子文档便于保存，查找和维护，目前高校学生提交 的实验报告逐步由纸质版转向电子版。电子文档在带来便利 的同时，也为学生的抄袭提供了极大方便。为了防止学生实验 报告出现抄袭现象以及教师批改完报告之后需要人工汇总分 数，统计缺交情况，这些工作费时费力，且容易出错，教师急需 有效的论文查重和统分工具来减轻负担，把宝贵的精力投入到更有 意义的工作中去。但市场上的查重软件主要是用来对论文进 行查重的，收费昂贵，且无法检查班级内部的抄袭情况。为了 解决上述问题，设计了一个针对高校电子版实验报告特点的桌 面软件，辅助进行实验报告的管理，实现班级内的查重、汇总分 数和统计缺交情况，结果自动以 excel形式导出，有效降低了教 师的实验报告管理工作工作量，杜绝学生抄袭现象，督促学生 认真完成实验，独立撰写实验报告。
2 主要技术介绍
2.1 余弦相似度算法
余弦相似度算法是最常用的计算文本相似度的算法。余弦相似度在计算文本相似度时,首先需要对文本进行分词，计 算词频，然后文本可以用词频向量来表示，它通过计算两个向 量之间的夹角余弦值来度量向量之间的相似程度[1]，文本相似 度计算效果很好，在文本相似度计算方面获得广泛应用[2]。计 算方法如公式 1所示。
例：A:安徽省合肥市
B:安徽省安庆市
通过 NLPIR 汉语分词系统分词，计算词频，得到：安徽省 合肥市 安庆市 A：[1，1，0] B：[1，0，1] 得出 AB的相似度为 0.5。
2.2 NLPIR汉语分词系统
采用中科院的 NLPIR汉语分词系统[3]，对实验报告文本进 行分词，NLPIR基于交叉信息熵算法，能自动计算并提取关键 词，并实现了自适用分词和标注词性，因此是文本分词的不二 选择，得到了广泛认可和应用。
2.3 POI
本系统采用 apache放入 POI中对 word进行读写操作，POI 支持 office2003 和 2007，Excel2003 和 2007[4]。apache 的开发团 队一直对 POI进行更新维护，功能丰富且完备。其中的 hwpf模 块可以实现 word 的 doc 文件的读写操作。xwpf 模块可以实现 word的 docx文件的读写操作[5]。本系统处理的是 docx文件，需 要用到 xwpf模块，在读写操作中涉及到几个重要的对象，这里 做个简单介绍，XWPFDocument 的对象表示一个 docx 文档。 XWPFDocument 又由下面几个重要对象组成的，其中 XWPF⁃ Paragraph对象表示文档中的一个段落。XWPFRun对象则表示 一段具有相同属性的文本。而 XWPFTable对象表示文档中的 一个表格。XWPFTableRow 表示表格的一行。XWPFTableCell 则对应表格的一个单元格。
3 系统设计
3.1 系统功能模块设计
系统主要由五大模块组成，学生信息管理和实验报告模板 管理两个模块维护基本信息，为检测缺交名单、查重和成绩汇 总三个模块的运行提供基础数据。系统功能结构如图 1所示。
3.2 数据库设计
采用开源数据库的 MySql存储学生、班级和实验报告模板 信息，具体表的定义如下。
4 系统核心功能实现
4.1 读取实验报告内容
实验报告要求学生统一提交 docx文档，POI可以通过 XW PFWord Extractor和 XWPF Document两种方式读取 docx文档。 XWPF Word Extractor 的内部也是引用 XWPF Document 的，但 只能获得简单的文本内容和文档属性，无法获取文档内容的属 性，所以系统使用 XWPF Document对象，它可以获取文本内容 的精确属性信息，比如可以获取到某一个 XWPF Paragraph，它 的字体、字号和行距等属性。下面是使用 XWPF Document遍历 XWPF Paragraph，读取实验报告文本的主要代码：
4.2 检测缺交名单
可以指定班级或者选定学生名单的 excel 文件，并且选定 作业所在的文件夹，根据作业文件的命名格式，提取学号和姓 名与系统里存储的班级学生进行比对，检测出没有提交作业的 学生，生成缺交名单。部分实现代码如下：
4.3 报告查重
报告是在本班级范围内进行查重，要将每个学生的报告与 其他学生的报告进行相似性检测，对相似度大于设定阈值的报 告写入查重报告。具体实现过程：
第一步：选择查重的班级、作业模板和实验报告所在的文 件路径。
第二步：根据班级按照序号查询出学生信息，包含序号，学 号和姓名
第三步：对学生列表进行循环，从指定文件路径找到学生 的作业，读取作业的内容；对内容进行分词处理，计算词频，循 环结束后，生成词频矩阵。
第四步：用余弦算法计算这些词频向量之间的相似度，生 成相似度矩阵。
第五步：筛选大于阈值的作业，生成查重结果文件。
4.4 报告成绩导出
电子实验报告中，通常在文档的最后一行有打分的位置， 一般会设定得分关键字，测试数据中是“得分（百分制）”。但是 部分学生在实验撰写过程中，会不小心删除得分的关键字，或 者在得分之后又附上一些实验中的数据。这里事先约定，如果 文档中有得分的位置，则在此处打分，否则在文档的最后一段 打分。本模块首先选定作业的模板，获得得分关键字，然后读 取 word文件，获取所有的段落集合，然后依次遍历段落中是否 有得分关键字，有则利用正则表达式获得分值，否则，取文档的 最后一段，提取其中的分值。最后将汇总的分数生成 excel 文件。
5 结束语
系统在 eclipse 平台上采用 java 语言开发，用 POI 提供的 API 读取 word 文档的文本内容。采用中科院的 NLPIR 汉语分 词系统对文本分词，然后用余弦相似度算法计算相似度，进行 论文查重。系统实现了实验报告缺交检测，在本班级内进行报告内 容论文查重并生成论文查重报告，读取报告中的成绩并生成 excel 汇总 表。系统有效协助了教师对实验报告的管理，使教师可以集中 精力批改实验报告。下一步工作，希望采用B/S模式实现报告 的线上提交，批阅和学生交互等操作。
参考文献：
[1] 朱浩,连德富,左志宏,等.余弦相似度在高校综合信息系统中 的应用[J].东南大学学报: 自然科学版, 2017(A1).
[2] 许浩,周亚萍,赵亚慧.基于余弦文本相似度计算的英语作文 评分算法的应用研究[J]. 教育教学论坛,2018(6).
[3] NLPIR：在信息检索中运用自然语言处理的理论框架[J]. 图 书情报工作动态,2003(3).
[4] 马杰,魏宁,王霄,等.基于 POI 的 Android 阅读器设计与实现 [J].电子技术与软件工程, 2013(15).
[5] 黄青云,裴冬菊 .POI在 Word文档不同颜色文本分离中的应 用[J].南昌工程学院学报, 2014(3).

相关文章：西部大学学生网络诚信问题论文查重检测结果分析研究