| 这个作业属于哪个课程 | 首页 - 计科21级12班 - 广东工业大学 - 班级博客 - 博客园 (cnblogs.com) |
|---|---|
| 这个作业要求在哪里 | 个人项目 - 作业 - 计科21级12班 - 班级博客 - 博客园 (cnblogs.com) |
| 这个作业的目标 | 使用个人开发流程进行一个论文查重项目开发 |
| 函数 | 说明 |
|---|---|
string ReadTXT(char* addr) |
打开地址为addr的文本，读取内容并用string返回 |
void PrintTXT(char* addr, const double& val) |
打开地址为addr的文本，将val值输出至文件 |
map<string, int> GetWordFrequency(const string& text) |
传入text文本，用n-gram算法分词，然后计算词频，返回一个map |
double GetSimilarity(const vector<int>& vec1,const vector<int>& vec2) |
传入两个词向量vec，用余弦公式计算余弦相似度并返回 |
int main(int argc, char* argv[]) |
用命令行参数按顺序将[原文文件] [抄袭版论文的文件] [答案文件]的路径传入，然后主函数内会依次调用各个功能函数完成论文查重，并将文本相似度输出至答案文件 |
可以看到，对于整个程序而言，独占时间最多的用户函数是 GetWordFrequency()，这也不难解释，因为这是对整篇文本进行分词操作，并将每个词语存入散列表的重要函数。
对于一个长度为 n 的文本，使用参数为 k 的 n-gram 分词操作，这个函数的整体复杂度为 $O(knlogn)$，一般 n-gram 的参数会设为6以下，所以复杂度可以视为
所以最占用时间的自然是Hash函数，除此之位其他操作复杂度均为
由于在当前程序使用散列表的插入操作较多，而一但发生冲突，将会使单次操作复杂度从
所以可以使用底层为红黑树的 std::map 代替 std::unordered_map，std::map 的单次插入复杂度是稳定
单元测试可以通过。
-
文件列表
-
文件内容
-
运行过程
-
运行结果
毫无相关的两个文本
没有加上第52行代码前，如果 b 或 c 的值为0，也就是两个文本丝毫不相关，程序会进行除0操作，总所周知，数学上除0是没有意义的，于是程序报错了。
| PSP2.1 | Personal Software Process Stages | 预估耗时（分钟） | 实际耗时（分钟） |
|---|---|---|---|
| Planning | 计划 | 1200 | 725 |
| · Estimate | · 估计这个任务需要多少时间 | 1200 | 725 |
| Development | 开发 | 480 | 395 |
| · Analysis | · 需求分析 (包括学习新技术) | 40 | 60 |
| · Design Spec | · 生成设计文档 | 20 | 20 |
| · Design Review | · 设计复审 | 20 | 10 |
| · Coding Standard | · 代码规范 (为目前的开发制定合适的规范) | 10 | 5 |
| · Design | · 具体设计 | 120 | 30 |
| · Coding | · 具体编码 | 120 | 60 |
| · Code Review | · 代码复审 | 30 | 30 |
| · Test | · 测试（自我测试，修改代码，提交修改） | 120 | 480 |
| Reporting | 报告 | 270 | 330 |
| · Test Repor | · 测试报告 | 120 | 240 |
| · Size Measurement | · 计算工作量 | 30 | 30 |
| · Postmortem & Process Improvement Plan | · 事后总结, 并提出过程改进计划 | 120 | 60 |
| · 合计 | 750 | 1025 |