Investigación algorítmica Grupo Plagiatest-T. Integrantes Grupo 4 Lizzett Seminario...

Investigación algorítmica

Grupo Plagiatest-T

Integrantes Grupo 4

Lizzett Seminario Huamaní20037185

César Ríos Gárate 20042153Carolina Balbín Ávalos

20050373 Sheyla Díaz Muguruza

20057079Víctor Chávez Lazarte

20062038

Introducción

Descripción del problema◦ Facilidad de acceso a la información◦ Apropiación de ideas ajenas◦ Dificultad para detectar plagio

Extraídos de la campaña ‘Por qué y Cómo debemos Combatir el Plagio’ – PUCP [1]

Introducción

Objetivo◦ Elaborar un Software que permita detectar similitudes

de textos entre diferentes documentos de manera que nos permita determinar el nivel de plagio existente en el documento analizado.

Presentación de los algoritmos investigados◦ Frente a esta problemática se presentan los algoritmos

de Secuencias Maximales, Winnowing y Espacios Vectoriales. Todos ellos presentan una Etapa preprocesamiento y la ejecución propia del Algoritmo.

Algoritmo 1: Secuencias Maximales

Algoritmo capaz de encontrar patrones que se repiten en una colección determinada de textos.

Un patrón es una secuencia de elementos que se repiten.

Utiliza dos parámetros:◦ β: Umbral de frecuencia

¿Cómo se aplica al problema?

Preprocesamiento:Para cada palabra en el documento a

procesar se crea un nodo en el cual se almacena el identificador de la palabra y 2 arreglos; el primero de ellos almacenará una lista con las posiciones en las cuales se encuentra la palabra en el documento y el segundo almacenará una lista con punteros a los nodos de las palabras en las posiciones siguientes a la analizada.


Algoritmo:Se recorren frecuencia definido.

paralelamente la lista de nodos de los documentos a comparar de modo que se detecten secuencias comunes, se considerarán las secuencias encontradas cuyo tamaño supere al umbral de frecuencia

Adicionalmente al hallar la secuencia en cada caso, se tendrá en consideración el umbral de salto, el cual representa la tolerancia que se tiene al realizar la comparación y por ende la búsqueda de las secuencias comunes.


1era Fase: Construcción de la estructura Hash que representa la información que presentan los documentos

En la casa roja de la esquina

En la puerta de la casa

En la casa de la plaza

Doc 2 Doc 3Doc 1

Buscamos las palabras que aparecen repetidas por documento y le asignamos un código HASH por cada palabra

diferente en cada documento


Nodo Palabra

Identificador de palabra

Diccionario de Listas enlazadas

Identificador de la palabra

Identificador del documento

Lista de las posiciones que ocupa esa palabra

en el documento

Lista de punteros a los nodos de las

palabras siguientes según las posiciones de

dicha palabra


2da Fase: Almacenamiento de las secuencias maximales en la estructura que se muestra a continuación

Atributo ‘SumaInde

x’

Se ordenan de acuerdo a la longitud de la secuencia Maximal y al atributo SumaIndex

Longitud de la

Secuencia Maximal

Cada unidad describe a

una Secuencia Maximal

Secuencias Maximales

VENTAJAS DESVENTAJAS

Este algoritmo nos permite realizar la comparación entre varios documentos.

La clasificación y longitud de las secuencias maximales nos ayudan a emitir un porcentaje de plagio.

Si en un texto que ha sido copiado se invierten el orden de un conjunto de palabras el algoritmo usado no los reconocerá como plagio ya que no cumplirá con el orden de la secuencia.

Algoritmo 2: Winnowing

El algoritmo presentado es capaz de detectar similitudes entre documentos a nivel de fragmentos.

Un aspecto importante es establecer el criterio de selección de estos fragmentos. Ejemplo: por párrafos o por oraciones.


Preprocesamiento:A cada fragmento del documento se le

aplica una función Hash, la cual nos dará un identificador único por cada uno de ellos.

Se escogen los valores hash más significativos del documento.

A los valores hash escogidos en el paso anterior se les almacena mediante una lista inversa, la cual nos dará las posiciones en las cuales se repite el mismo fragmento dentro del documento.


Cada fracaso supone un capítulo más en la historia de nuestra vida y una lección que nos ayuda a crecer. No te dejes desanimar por los fracasos. Aprende de ellos, y sigue adelante.

Cada fracaso constituye un capítulo más en nuestra vida y una lección que nos ayuda a madurar y a crecer. Aprende de ellos, y sigue. Por los fracasos no te dejes desanimar.

Documento1 Documento2

Paso 1 : Seleccionamos los fragmentos

Cada fracaso es un capítulo en la historia de nuestra vida. No te dejes desanimar por los fracasos. Aprende de ellos, y sigue adelante.

Cada fracaso constituye un capítulo más en nuestra vida y una lección para madurar. Aprende de ellos, y sigue. Por los fracasos no te dejes desanimar.





Cada fracaso constituye un capítulo más en nuestra vida y una lección para madurar. Aprende de ellos, y sigue. Por los fracasos no te dejes desanimar.

Paso 2 : Eliminamos artículos por cada fragmento y signos de puntuación


Cada fracaso es un capítulo en historia de nuestra vida No te dejes desanimar por fracasos Aprende de ellos y sigue adelanteCada fracaso constituye un capítulo más en nuestra vida y una lección para madurar Aprende de ellos y sigue Por fracasos no te dejes desanimar

Paso 3 : Ordenamos las palabras alfabéticamente dentro de cada fragmento

Doc1

Doc2

Cada capítulo de en es fracaso historia nuestra vida undejes desanimar fracasos No por teadelante Aprende de ellos sigue y

Cada capítulo constituye en fracaso lección madurar más nuestra para un una vida yAprende de ellos sigue y dejes desanimar fracasos no Por te


Paso 4 : Aplicamos la función hash a cada fragmento previamente ordenado y obtenemos un identificador por cada uno de ellos

Doc1

Doc2

Cada capítulo de en es fracaso historia nuestra vida undejes desanimar fracasos No por teadelante Aprende de ellos sigue y

Cada capítulo constituye en fracaso lección madurar más nuestra para un una vida yAprende de ellos sigue y dejes desanimar fracasos no Por te

17

2035

13

8720

=



Paso 5 : Escoger los valores hash más significativos de cada documento y para esto tener en cuenta el tamaño de la ventana. En el ejemplo, la ventana tendrá valor de 4


17 20 35 18 76 98 23

20 43 19…

18 32 20 76 91 22 5 19 24 …

W=417 20 35 18 20 35 18

7635 18 76 98 18 76 98

2376 98 23 20 98 23 20

43 23 20 43 19

Más significativos: 17 18 20 19

W=418 32 20 76 32 20 76

9120 76 91 22 76 91 22

591 22 5 19 22 5 19

24

Más significativos:18 20 5


Algoritmo:Para cada par de documentos se

comparan los códigos hash almacenados en la base de datos para cada uno de ellos y se cuenta el número total de coincidencias.

Con este número se procede a hallar el porcentaje de similitud a través la división con el número total de códigos hash.

Winnowing - FingerPrint


• La principal virtud de este algoritmo es la sencillez de su implementación.• La detección se realiza de forma rápida.• Para la comparación no sería necesario almacenar todo el documento ya que lo que se compara son los identificadores obtenidos en el preprocesamiento.

Si en un texto se cambian u omiten alguna de las palabras dentro de cada fragmento el algoritmo no lo detectará como plagio ya que para cada uno de los fragmentos seleccionados la función hash dará un valor diferente.

Winnowing - MejorasSe puede almacenar el tamaño de los

fragmentos antes de ser convertidos con la función hash para obtener un mejor alcance del porcentaje de similitud al final de la comparación.

Se puede ordenar las palabras dentro de los fragmentos antes de que se les aplique la función hash, con esto el algoritmo considerará los casos en que se modifique el orden de las palabras.

Algoritmo 3: Modelo del Espacio Vectorial – Similitud entre vectoresEste algoritmo usa como base la

teoría concerniente a los espacios vectoriales para encontrar similitudes entre los fragmentos de los documentos analizados.

En este caso utilizaremos como criterio de comparación la fórmula de la función coseno para dos vectores.

Algoritmo 3: Modelo del Espacio Vectorial – Similitud entre vectores

Preprocesamiento:El algoritmo arma una matriz

para cada documento en la cual cada fila representa un vector en la que cada componente representa la frecuencia con la que esa palabra se repite en el fragmento escogido.


Algoritmo: Se contrasta fila por fila en cada par de matrices

(las cuales representan a cada par de documentos) de modo que para cada par de vectores representados en dichas filas se aplica la fórmula del coseno para dos vectores.

Con este resultado usamos el criterio de que si el valor obtenido mediante la formula es cercano a uno podemos considerar que se tratan de fragmentos similares en caso contrario no lo serán.

Usando la cantidad de fragmentos similares podemos determinar el porcentaje de similitud total entre los documento comparados.

Modelo del Espacio Vectorial


Si en el documento se cambian las posiciones de las palabras este algoritmo podrá detectar el plagio ya que se basa en la obtención de la frecuencia de aparición de cada palabra y no en la posición en que aparece.

Con este algoritmo no es posible poder reconocer exactamente los fragmentos en los cuales se incurrió en plagio, ya que este solo almacena la cantidad de veces que se repite cada palabra.

Cada fracaso supone un capítulo más en la historia de nuestra vida y una lección que nos ayuda a crecer. No te dejes desanimar por los fracasos. Aprende de ellos, y sigue adelante.

Cada fracaso constituye un capítulo más en nuestra vida y una lección que nos ayuda a madurar y a crecer. No te dejes desanimar por los fracasos. Aprende de ellos, y sigue adelante.Documento1 Documento2


Paso 1 : Fragmentamos el documento.


Cada fracaso constituye un capítulo en nuestra vida y una lección. No te dejes desanimar por los fracasos. Aprende de ellos, y sigue adelante.



Paso 2 : Almacenamos los términos de la partición en una matriz

Cada fracaso es un capítulo en la historia de nuestra vida constituye y una lección

Frag1 D1

Cada fila es una partición de cada documento

Cada columna representa un término


Cada fracaso constituye un capítulo en nuestra vida y una lección. No te dejes desanimar por los fracasos. Aprende de ellos, y sigue adelante.

Doc2Doc1


Frag1 D2

Paso 3 : Almacenamos los términos de la partición en una matriz

Cada fracaso es un capítulo en la historia de nuestra vida constituye y una lección

1 1 0 1 1 1 0 0 0 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 0 0 0 0


Cada fracaso constituye un capítulo en nuestra vida y una lección. No te dejes desanimar por los fracasos. Aprende de ellos, y sigue adelante.Documento2Documento1


Frag1 D1Frag1 D2

Paso 4 : Aplicamos la función del Coseno

Equivale al producto escalar de dos vectores de documentos (1 y 2) y luego se procede a dividirlo por el producto de la raíz cuadrada del sumatorio de los componentes del vector 1 con la raíz cuadrada del sumatorio de los componentes del vector 2.


Modelo del Espacio Vectorial- Adaptación

11

5

Identificador de la palabraColumna

Cantidad de ocurrencias de la palabra

PALABRA

* Nos ayudaría a evitar la redundancia


Cada fracaso es un capítulo en la historia de nuestra vida 1

1

2

1

3

1

4

1

9

1

5

1

61

7

1

8

1

10

1

11

1

Cada fracaso constituye un capítulo en nuestra vida y una lección 1

1

2

1

12

1

10

1

4

1

5

1

6

1

111

131

141

15

1

Fragmento 1- Documento1


Modelo del Espacio VectorialSi los identificadores son iguales

se procede a agregarlos a la sumatoria normalmente.

Si hay identificadores en un fragmento y no en el otro se procede a agregar solo en el denominador, según la componente que sea.

* Es útil para archivos muy extensos.


Cada fracaso es un capítulo en la historia de nuestra vida 1

1

2

1

3

1

4

1

9

1

5

1

61

7

1

8

1

10

1

11

1

Cada fracaso constituye un capítulo en nuestra vida y una lección 1

1

2

1

12

1

10

1

4

1

5

1

6

1

111

131

141

15

1



Son iguales

Componente aislada

Componente aislada

ConclusionesDe los algoritmos presentados como

alternativas a la búsqueda de similitudes de texto (elementos de diferentes documentos) podemos concluir que

Referencias:GARCIA BLASCO, Sandra

2009 Extracción de Secuencias Maximales de una colección de Textos – Ingeniería Técnica de Informática y Gestión- Universidad Politécnica de Valencia

ALVA MANCHEGO, Fernando

2010 Sistema de Información de Detección de Plagio en documentos digitales usando el método

Document Fingerprinting- Tesis para obtener el título en Ingeniería informática. Pontificia Universidad Católica del Perú

WIKIPEDIA Modelo del Espacio Vectorial

2010http://es.wikipedia.org/wiki/Modelo_de_espacio_vectorial

http://es.wikipedia.org/wiki/Modelo_de_espacio_vectorial

Investigación algorítmica Grupo Plagiatest-T. Integrantes Grupo 4 Lizzett Seminario...

Documents

Transcript of Investigación algorítmica Grupo Plagiatest-T. Integrantes Grupo 4 Lizzett Seminario...