《归一化压缩距离与柯尔莫哥洛夫复杂度、洗稿伪原创识别与同源话术家族聚类母典》各章定量结论
做内容的经营者常听说:换掉三成的词,查重就认不出来;压缩距离更稳,只有深度意译才骗得过所有工具,要靠数字与论证顺序去认。本书把这个说法拆成可以用程序检验的几部分,在换词率可以精确控制的伪词语料上逐一检验。书中的语料、阈值与参数均为示意,所有样本文本由程序生成或作者自拟;全部计算由书中程序生成。本书的用途是保护原创与发现抄袭,不讨论如何改写他人内容以逃避查重;本书是非个人化经营建议,不是法律意见,书中小工具的每一条标记都须人工复核。
DOI 待发布 · 专著页正式发布后上线(本站暂无专著页) · 5DL-B-293 · English version
- 第 1 章 · 换词率扫描:字面查重在哪里失效
第一章发现,词三元组杰卡德指数在换词之初下降最陡,到三成时已丢掉 0.641 的可跌幅度,固定报警线 0.5 在换词率 0.211 处被越过;按无关文本校准后,实词全换时字面片段仍有 0.957 的检出率,压缩距离为 0.000,它只在「保留比例」上下降更缓(0.551 对 0.385)。 - 第 2 章 · 柯尔莫哥洛夫复杂度与压缩器:上界、正规性与窗口
第二章说明压缩只给柯尔莫哥洛夫复杂度的上界,并显示文本一旦超过 zlib 的窗口,完整拷贝的压缩距离会跳到 0.9330。 - 第 3 章 · 短文本偏差与阈值敏感度:一条线管不了所有长度
第三章量化短文本偏差:区分能力仍有 0.9894,固定阈值却在二十词上误报 0.900、在 640 词上只检出 0.030。 - 第 4 章 · n 元组、MinHash 与局部敏感哈希:百万篇里的第一轮初筛
第四章说明为近似拷贝设计的局部敏感哈希会漏掉改写,膝点 0.4204 时三成改写只有 0.5088 进入候选,须把膝点压到 0.1250。 - 第 5 章 · 深度意译:数字指纹与论证序列指纹
第五章处理深度意译:压缩距离的曲线下面积只有 0.0949,按顺序共享的数字指纹检出 0.923,论证序列指纹因体裁惯例只检出 0.050。 - 第 6 章 · 同源话术家族的层次聚类
第六章用平均联结把话术聚成同源家族,在校准切点处调整兰德指数为 0.9962。 - 第 7 章 · 原典考辨:眉山程舍人宅牌记与安妮法令
第七章考辨宋刻《东都事略》的眉山程舍人宅牌记与 1710 年的安妮法令,按半衰期模型,十四年覆盖九成销量的条件是半衰期不超过 4.21 年。 - 第 8 章 · 实证闭环:防洗稿周度监测、直答页去重与预注册检验
第八章给出 5D Library 的周度防洗稿监测、直答页去重、洗稿同源检测器与预注册检验方案:全库校准的数字指纹把误报从 96 篇压到 9 篇,代价是深度意译只抓到 12 篇;检验一需要 155 篇改写稿。书中以标注框区分已发表的证据、可运行的 Python 计算(21 段程序)、原典与作者的假说。
模型示意算例,非实时报价