面向教师的学生作业查重与相似度检测系统：上传作业后与库内所有作业比对，给出综合相似度（0.5×TF-IDF 余弦 + 0.5×n-gram Jaccard）、判定结论，并定位相似片段（双栏高亮）。技术主线是「算得准、算得快、说得清」：SimHash 粗筛 → 精算 → 句子级片段定位，算法全部自行实现、不依赖第三方查重服务。

技术栈

Python、Django、jieba、NumPy、ECharts、MySQL

功能模块

• 三件武器各司其职：n-gram 指纹(k=4)+Jaccard 度量片段重合，TF-IDF 余弦度量词权分布，SimHash 64 位只做候选粗筛
• 综合相似度 = 0.5×余弦 + 0.5×Jaccard；判定线 0.60 取自离线实验的最优阈值（≥0.75 高度相似 / ≥0.60 可疑）
• 句子级片段定位：逐句字符 3-gram Jaccard 取最佳匹配并合并连续命中句，结果页双栏高亮、悬停显示匹配分数
• 带标注仿真语料与对比实验：80 篇作业 / 32 篇抄袭样本 / 90 组配对，四种指标的区分度与阈值网格 P/R/F1 全部可复现
• SimHash 候选筛选取舍量化：汉明距离 ≤4 召回 0.875 正样本、仅放行 1.7% 负样本（≤6 为 0.906 / 6.9%）
• 上传解析：粘贴文本或上传 txt，自动识别 UTF-8 / GBK / UTF-16 编码
• 工程实现：全库分词/指纹/TF-IDF 进程内缓存（按作业数自动失效重建），单次查重毫秒级
• 算法评估页：区分度对比、阈值—P/R/F1 曲线、候选筛选取舍三张图，数字直接读自评估脚本输出

运行环境

• 编程语言：Python 3.8 及以上
• 后端框架：Django 4.2
• 文本处理：jieba 0.42（分词）
• 算法：NumPy 手写：n-gram 指纹、SimHash、TF-IDF 余弦、Jaccard、句子对齐（不用第三方查重服务）
• 数据库：MySQL 8.0（交付默认 SQLite，免安装）
• 可视化：ECharts 5（已内置本地文件，离线可用）
• 操作系统：Windows / macOS / Linux
• 启动方式：双击一键脚本，或 python manage.py runserver 8081

界面截图

文档预览

交付的任务书、开题报告与论文均为 Word 文档，下面是真实页面预览：

交付内容

• 完整源码（Django 工程 + 自行实现的相似度算法 + 仿真语料生成器 + 离线评估脚本）
• 演示数据库（80 篇仿真作业，含 32 篇带标注抄袭样本）与评估指标文件 metrics.json
• 毕业设计任务书（Word）
• 开题报告（Word）
• 毕业论文（Word，七章制，含评估实验与阈值选择章节）
• 系统使用与二次开发说明（Word + md）
• 11 张系统运行截图