我们实验室在分析某高校公共卫生学院提交的论文时发现,查重报告中的重合率往往集中在特定段落。例如,一篇关于疫苗接种率的论文中,背景介绍部分重合率高达45%,而方法部分仅12%。这提示我们,降重应优先处理高重合段落。查重报告通常标注出相似来源,我们需要逐句分析:是直接复制、同义替换不足,还是结构雷同?
针对疫苗接种率段落,我们总结出两种核心降重技巧:语态逆转和词性替换。语态逆转指将主动句改为被动句,或反之。例如,原句“我们调查了1000名儿童的疫苗接种率”可改为“1000名儿童的疫苗接种率被我们调查”。词性替换则涉及将名词转为动词、形容词转为副词等。例如,“疫苗接种率的提高”可改为“提高疫苗接种率”。这两种方法能有效降低文本相似度,同时保持原意。
数学上,文本相似度可建模为余弦相似度:$\text{sim}(A,B) = \frac{A \cdot B}{\|A\| \|B\|}$。通过改写,我们改变词向量分布,从而降低相似度。例如,将“接种疫苗”替换为“接受免疫接种”,词向量从$[0.2, 0.5]$变为$[0.3, 0.4]$,余弦相似度从0.98降至0.85。