یک رویکرد جدید برای شناسایی سرقت ادبی با استفاده ازآتوماتای یادگیرسلولی و برچسب گذاری نقش معنایی

سرقت ادبی عبارت از برداشتن و به نام خود قلمداد کردن ایده و یا کلمات دیگران است. با پیشرفت روز افزون اینترنت و گسترش مقالات آنلاین، سرقت های علمی آسان تر شده است. امروزه سیستم های زیادی جهت شناسایی سرقت ادبی ایجاد شده اند. بیشتر این سیستم ها براساس ساختار لغوی و الگوریتم های تطابق رشته ای عمل می کنند. بنابراین این سیستم ها به سختی می توانند سرقت های بازگردانی و جایگذاری مترادف ها را شناسایی کنند. در این مقاله روشی جهت شناسایی سرقت ادبی بر مبنای برچسب گذاری نقش معنایی و اتوماتای یادگیر سلولی ارائه می شود. در این مقاله جهت قرارگیری کلمات پردازش شده از اتوماتای یادگیر سلولی استفاده می شود. برچسب گذاری نقش معنایی، نقش کلمات در جمله را مشخص می کند. عملیات مقایسه برای تمام جملات متن اصلی و متن مشکوک به سرقت انجام می شود. نتایج آزمایش بر روی مجموعه داده های panpc11 نشان می دهد که روش پیشنهادی ما، مقدار پارامترهای ارزیابی مانندrecall ، precisionو fmeasureرا نسبت به روش های قبلی ارائه شده در زمینه ی شناسایی سرقت ادبی بهبود می دهد.

A New Approach to plagiarism Detection Using Cellular Learning Automatons and Semantic Role Labeling

Plagiarism is removal and to put it in their own name the ideas or words of others. With the Increasing progress of the Internet and the proliferation of online articles, scientific theft has also become easier. Many systems have been developed today to detect plagiarism. Most of these systems are based on lexical structure and string matching algorithms. Therefore, these systems can hardly detect recovery robberies, placement of synonyms. This paper presents a method for identifying plagiarism based on semantic role labeling and cellular learning automata. In this paper, cellular learning automata are used to locate the processed words. Semantic role labeling specifies the role of words in sentence. Comparison operations are performed for all sentences of the original text and suspicious text. Results of the experiments on PANPC11 corpus demonstrate the proposed method improves values of evaluation parameters such as recall, precision and Fmeasure, comparing to previous approaches in plagiarism detection.