所以我一直在寻找一种比较文本内容的算法，我发现这个名为Copyscape的网站有一个非常方便的工具用于比较文章（link）。它似乎在检测2个文本文档之间的相似性值（按百分比）方面做得很好。我想知道他们在该工具中使用了哪种算法，或者可能与它类似的东西？提前谢谢。
答案 0 :(得分：1)
我不确定copyscape抄袭是如何运作的。但是如果你让我实施一个。
我将从 - 定义＆＃39;抄袭＆＃39 ;?开始content-1和content-2几乎相似。我们说> 80％是相同的。即内容-1被取20％被改变以产生内容-2。
现在，让我们试着解决：将content-1转换为content-2会有什么代价（没有变化）？这是DP（动态编程世界）中众所周知的问题Levenshtein distance或EDIT Distance问题。标准问题涉及字符串距离，但您可以轻松地将其修改为单词而不是字符。此外，您可能需要跟踪所有更改@ line＃，两个内容的单词位置。
现在，上述问题将为您提供内容-1的转换的最少更改。使用content-1的总长度，我们可以轻松地计算从content-1转到content-2的更改百分比。如果它低于固定阈值（比如说20％）那么就宣告抄袭。此外，使用＃行上的辅助信息，两个内容上的单词位置 - 您可以显示所做的更改。