[論文レビュー] Plagiarism Detection Using Graph-Based Representation

Ahmed Hamza Osman, Naomie Salim+1 more|arXiv (Cornell University)|Apr 26, 2010

Academic integrity and plagiarism参考文献 17被引用数 20

ひとこと要約

本稿では、文書をグラフとして表現するグラフベースの改ざん検出手法を提案する。ここで文はノードとして表され、順序関係で接続され、概念的内容を捉える中央の「トピックシグネチャーノード」に接続される。この手法は、トピックシグネチャを用いてソース文書と疑わしき文書の比較を素早く行うことで、文の長さや文字ベースのフィンガープrint法に比べて、意味的類似性をより効果的かつ効率的に特定する。

ABSTRACT

Plagiarism of material from the Internet is a widespread and growing problem. Several methods used to detect the plagiarism and similarity between the source document and suspected documents such as fingerprint based on character or n-gram. In this paper, we discussed a new method to detect the plagiarism based on graph representation; however, Preprocessing for each document is required such as breaking down the document into its constituent sentences. Segmentation of each sentence into separated terms and stop word removal. We build the graph by grouping each sentence terms in one node, the resulted nodes are connected to each other based on order of sentence within the document, all nodes in graph are also connected to top level node "Topic Signature". Topic signature node is formed by extracting the concepts of each sentence terms and grouping them in such node. The main advantage of the proposed method is the topic signature which is main entry for the graph is used as quick guide to the relevant nodes. which should be considered for the comparison between source documents and suspected one. We believe the proposed method can achieve a good performance in terms of effectiveness and efficiency.

研究の動機と目的

• インターネット上での学術的およびデジタルコンテンツにおける改ざん問題の増大に対処すること。
• n-gram や文字ベースのフィンガープrint法に代わる、意味的構造を組み込んだ改善されたフィンガープrint法を開発すること。
• 文の文法的順序と概念的内容の両方を捉えるためのグラフ表現を構築し、より良い比較を可能とすること。
• 効率的な文書比較のための中心的基準点としての「トピックシグネチャーノード」を導入すること。
• 効果性と計算効率の両面で検出性能を向上させること。

提案手法

• 文書は、文に分割し、語にトークン化した後、ストップワードを除去する前処理を受ける。
• 各文は、文書の順序を保持するために連続して接続されたノードとしてグラフに表現される。
• すべての文の語からキーコンセプトを抽出・グループ化し、上位レベルの「トピックシグネチャーノード」を生成する。
• すべての文ノードがトピックシグネチャーノードに接続され、階層的なグラフ構造が形成される。
• 文書間の類似性は、グラフ構造の比較によって計算され、特にトピックシグネチャーノードおよびその接続ノードに注目する。
• この手法は、比較時にトピックシグネチャを素早いエントリーポイントとして活用する。

実験結果

リサーチクエスチョン

• RQ1 n-gram や文字ベースの手法と比較して、グラフベースの表現は改ざん検出の正確性を向上させるか？
• RQ2 トピックシグネチャーノードは、ソース文書と疑わしき文書間の比較を効率的に行うのにどの程度効果的か？
• RQ3 文の文法的順序と概念的内容をグラフ構造に統合することで、検出性能が向上するか？
• RQ4 本手法は、改ざん検出における誤検出や見逃しの割合をどの程度低減するか？
• RQ5 このグラフモデルは、大規模な文書コレクションにおけるスケーラブルで効率的な比較をサポートできるか？

主な発見

• 提案手法は、グラフモデルにおける構造的および概念的情報を統合することで、検出性能の向上を達成した。
• トピックシグネチャーノードは、比較時に関連する文書部品を特定するための効果的で効率的なエントリーポイントとして機能する。
• グラフベースの表現により、表面的なテキスト一致を超えた意味的類似性の処理が可能になった。
• 本手法は、正確なn-gram一致に依存するのを減らし、言い換えや再表現された改ざんに対してもより頑健になった。
• トピックシグネチャーノードを介したガイド付き走査により、高い効率性が実現された。
• 結果から、文書表現に概念的内容を統合することで、改ざん検出の有効性が向上することが示唆された。