[논문 리뷰] Plagiarism Detection Using Graph-Based Representation

Ahmed Hamza Osman, Naomie Salim외 1명|arXiv (Cornell University)|2010. 04. 26.

Academic integrity and plagiarism참고 문헌 17인용 수 20

한 줄 요약

이 논문은 문서를 그래프로 표현하는 기반의 표절 탐지 방법을 제안한다. 여기서 문장은 순서에 따라 연결된 노드이며, 개념적 내용을 포괄하는 중심 '주제 서명(Subject Signature)' 노드와 연결된다. 주제 서명을 통해 소스 문서와 의심되는 문서를 비교할 수 있는 빠른 가이드를 제공함으로써 효율성과 효과성을 향상시켜, 기존의 n-그램 또는 문자 기반의 지문 추적 기법보다 의미적 유사성을 더 잘 식별할 수 있다.

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.

연구 동기 및 목표

• 인터넷 기반 표절 문제의 증가를 해결하기 위해.
• n-그램 또는 문자 기반의 기존 지문 추적 기법을 개선하기 위해 의미적 구조를 통합하기 위해.
• 문서의 문법적 순서와 개념적 내용을 모두 반영하는 그래프 표현을 개발하기 위해.
• 효율적인 문서 비교를 위한 중심 기준점으로 '주제 서명' 노드를 도입하기 위해.
• 효과성과 계산 효율성 측면에서 탐지 성능을 향상시키기 위해.

제안 방법

• 문서는 문장으로 분할하고 토큰화한 후 불용어를 제거하는 방식으로 사전 처리된다.
• 각 문장은 그래프 내의 노드로 표현되며, 문서의 순서를 유지하기 위해 순차적으로 연결된다.
• 모든 문장의 용어에서 핵심 개념을 추출하고 그룹화하여 상위 수준의 '주제 서명' 노드를 생성한다.
• 모든 문장 노드는 주제 서명 노드에 연결되어 계층적 그래프 구조를 형성한다.
• 문서 간 유사성은 주제 서명과 그에 연결된 노드에 중점을 두어 그래프 구조를 비교함으로써 계산된다.
• 이 방법은 비교 과정에서 관련 노드를 신속하게 식별하기 위해 주제 서명을 빠른 진입점으로 활용한다.

실험 결과

연구 질문

• RQ1 기존의 n-그램 또는 문자 기반 기법과 비교해 그래프 기반 표현이 표절 탐지 정확도를 향상시키는가?
• RQ2 주제 서명 노드가 소스 문서와 의심되는 문서 간의 효율적 비교를 얼마나 효과적으로 이끄는가?
• RQ3 그래프 구조에 문법적 순서와 개념적 내용을 통합함으로써 탐지 성능이 향상되는가?
• RQ4 제안된 방법이 표절 탐지에서 잘못된 양성 또는 빠진 매칭을 얼마나 줄이는가?
• RQ5 이 그래프 모델은 대규모 문서 컬렉션 간의 확장성 있고 효율적인 비교를 지원하는가?

주요 결과

• 제안된 방법은 그래프 모델 내에서 구조적 정보와 개념적 정보를 통합함으로써 향상된 탐지 성능를 달성한다.
• 주제 서명 노드는 비교 과정에서 관련 문서 구성 요소를 식별하는 데 효과적이고 효율적인 진입점으로 기능한다.
• 그래프 기반 표현은 표면적 텍스트 매칭을 넘어서 의미적 유사성을 더 잘 다룰 수 있도록 한다.
• 이 방법은 정확한 n-그램 매칭에 의존하는 것을 줄여 재구성된 표절에 대한 강건성을 향상시킨다.
• 주제 서명 노드를 통한 유도된 탐색 덕분에 높은 효율성이 가능해 보인다.
• 결과적으로 개념적 내용을 문서 표현에 통합함으로써 표절 탐지의 효과성이 향상됨을 시사한다.