مقاله انگلیسی رایگان در مورد تشخیص سرقت ادبی ذاتی – الزویر 2019

 

مشخصات مقاله
ترجمه عنوان مقاله یک رویکرد یکپارچه برای تشخیص سرقت ادبی ذاتی
عنوان انگلیسی مقاله An integrated approach for intrinsic plagiarism detection
انتشار  مقاله سال 2019
تعداد صفحات مقاله انگلیسی  26 صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
7.007 در سال 2018
شاخص H_index 93 در سال 2019
شاخص SJR 0.835 در سال 2018
شناسه ISSN 0167-739X
شاخص Quartile (چارک) Q1 در سال 2018
رشته های مرتبط  مهندسی کامپیوتر
گرایش های مرتبط  امنیت اطلاعات
نوع ارائه مقاله
ژورنال
مجله / کنفرانس  سیستم های کامپیوتری نسل آینده-Future Generation Computer Systems
دانشگاه  Faculty of Engineering, Environment & Computing, School of Computing, Electronics and Maths, Coventry University, United Kingdom
شناسه دیجیتال – doi
https://doi.org/10.1016/j.future.2017.11.023
کد محصول E12093
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
1. Introduction
2. Previous work
3. Background
4. Proposed approach
5. Evaluation of the results
6. Conclusion
References

 

بخشی از متن مقاله:
Abstract

Employing effective plagiarism detection methods are seen to be essential in the next generation web. In this paper, we present a novel approach for plagiarism detection without reference collections. The proposed approach relies on using some statistical properties of the most common words, and the Latent Semantic Analysis that is applied to extract the most common words usage patterns. This method aims to generate a model of author’s “style” by revealing a set of certain features of authorship. The model generation procedure focuses on just one author, as an attempt to summarise the aspects of an author’s style in a definitive and clear-cut manner. The feature set of the intrinsic model were based on the frequency of the most common words, their relative frequencies in the book series, and the deviation of these frequencies across all books for a particular author. The approach has been evaluated using the leave-one-out-cross-validation method on the CEN (Corpus of English Novel) data set. Results have indicated that, by integrating deep latent semantic and stylometric analyses, hidden changes can be identified when a reference collection does not exist. The results have also shown that our Multi-Layer Perceptron based approach statistically outperforms Bayesian Network, Support Vector Machine and Random Forest models, by accurately predicting the author classes with an overall accuracy of 97%.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا