Luận án Đánh giá mức độ giống nhau của văn bản Tiếng Việt

BỘ GIÁO DỤC VÀ ĐÀO TẠO 
ĐẠI HỌC ĐÀ NẴNG 
--- --- 
HỒ PHAN HIẾU 
ĐÁNH GIÁ MỨC ĐỘ GIỐNG NHAU 
CỦA VĂN BẢN TIẾNG VIỆT 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
Đà Nẵng, 10/2019 
BỘ GIÁO DỤC VÀ ĐÀO TẠO 
ĐẠI HỌC ĐÀ NẴNG 
--- --- 
HỒ PHAN HIẾU 
ĐÁNH GIÁ MỨC ĐỘ GIỐNG NHAU 
CỦA VĂN BẢN TIẾNG VIỆT 
 Chuyên ngành : KHOA HỌC MÁY TÍNH 
 Mã số : 62 48 01 01 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
 Người hướng dẫn khoa học: 
1. PGS.TS. Võ Trung Hùng 
2. TS. Nguyễn Thị Ngọc Anh 
Đà Nẵng, 10/2019
LỜI CAM ĐOAN 
Tôi tên là Hồ Phan Hiếu. Tôi xin cam đoan đây là công trình nghiên cứu do 
tôi thực hiện. Các nội dung và kết quả nghiên cứu được trình bày trong Luận án là 
trung thực và mọi tham khảo đều được trích dẫn, chỉ rõ nguồn tham khảo theo đúng 
quy định. 
 Tác giả 
 NCS. Hồ Phan Hiếu 
- i - 
MỤC LỤC 
  
LỜI CAM ĐOAN 
MỤC LỤC ................................................................................................................... i 
DANH MỤC CÁC TỪ VIẾT TẮT ......................................................................... iv 
DANH MỤC BẢNG BIỂU ....................................................................................... v 
DANH MỤC HÌNH VẼ ........................................................................................... vi 
DANH MỤC THUẬT TOÁN ............................................................................... viii 
LỜI MỞ ĐẦU ............................................................................................................ 1 
1. Đặt vấn đề ......................................................................................................... 1 
2. Mục tiêu nghiên cứu ......................................................................................... 3 
3. Đối tượng và phạm vi nghiên cứu .................................................................... 4 
4. Phương pháp nghiên cứu .................................................................................. 4 
5. Nhiệm vụ nghiên cứu và kết quả đạt được ....................................................... 5 
6. Bố cục của luận án ........................................................................................... 5 
7. Đóng góp chính của luận án ............................................................................. 6 
 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU .................................. 8 
 Một số khái niệm sử dụng trong luận án .......................................................... 8 
 Một số đặc điểm của ngôn ngữ tiếng Việt ..................................................... 12 
 Khái quát ............................................................................................... 12 
 Một số khó khăn và nhập nhằng trong xử lý văn bản tiếng Việt .......... 13 
 Mô hình biểu diễn văn bản ............................................................................. 15 
 Giới thiệu ............................................................................................... 15 
 Mô hình biểu diễn văn bản .................................................................... 16 
 Nhận xét và đánh giá ............................................................................. 25 
 Các phương pháp tính độ tương tự văn bản ................................................... 27 
 Hướng tiếp cận ...................................................................................... 27 
 Bài toán so khớp chuỗi .......................................................................... 28 
 So sánh văn bản và ứng dụng trong phát hiện sao chép ................................. 33 
 Giới thiệu ............................................................................................... 33 
 Các vấn đề liên quan về sao chép .......................................................... 34 
 Phát hiện sao chép tại PAN ................................................................... 38 
 Kết luận Chương 1 ......................................................................................... 41 
 SO SÁNH VĂN BẢN DỰA TRÊN MÔ HÌNH VECTOR........... 42 
 Giới thiệu ........................................................................................................ 42 
- ii - 
 Tính độ tương tự văn bản trong mô hình vector ............................................ 43 
 Biểu diễn văn bản theo mô hình vector ................................................. 43 
 Phương pháp tính trọng số từ chỉ mục .................................................. 45 
 Phương pháp tính độ tương tự ............................................................... 49 
 Nhận xét ................................................................................................. 51 
 Một số phương pháp so sánh văn bản dựa trên mô hình vector ..................... 52 
 Mô hình vector hóa văn bản .................................................................. 52 
 Phương pháp cải tiến sử dụng độ đo Cosine ......................................... 57 
 Đánh giá các phương pháp dựa trên mô hình vector ..................................... 64 
 Tạo bộ dữ liệu để đánh giá các thuật toán ............................................. 64 
 Đánh giá các thuật toán dựa trên mô hình vector .................................. 65 
 Nhận xét ................................................................................................. 68 
 Kết luận Chương 2 ......................................................................................... 68 
 PHÁT HIỆN SAO CHÉP VĂN BẢN DỰA TRÊN BIẾN ĐỔI 
WAVELET RỜI RẠC ............................................................................................ 70 
 Đặt vấn đề ....................................................................................................... 70 
 Phát biểu bài toán .................................................................................. 70 
 Đề xuất ý tưởng ..................................................................................... 72 
 Cơ sở lý thuyết về DWT và bộ lọc Haar ........................................................ 72 
 Cơ sở lý thuyết về DWT ........................................................................ 72 
 Bộ lọc Haar ............................................................................................ 75 
 Chuỗi DNA ............................................................................................ 77 
 Đề xuất mô hình hệ thống phát hiện sao chép ............................................... 77 
 Giới thiệu ............................................................................................... 77 
 Đề xuất mô hình hệ thống áp dụng cho phương pháp dựa trên DWT .. 78 
 Đề xuất quy trình chuyển đổi dữ liệu ............................................................. 81 
 Đề xuất phương pháp và giải thuật xử lý ....................................................... 81 
 Tiền xử lý dữ liệu .................................................................................. 82 
 Quy trình số hóa .................................................................................... 82 
 Giải thuật cho bộ lọc Haar ..................................................................... 85 
 Tổ chức dữ liệu cho bộ DNA nguồn ..................................................... 88 
 Đề xuất thuật toán phát hiện sự giống nhau ................................................... 90 
 Mã hóa dữ liệu và tính DNA của văn bản đánh giá .............................. 90 
 So sánh và đưa ra quyết định ................................................................. 90 
 Độ phức tạp của thuật toán phát hiện sự giống nhau ............................ 91 
 Kết quả thử nghiệm phương pháp dựa trên DWT .......................................... 92 
- iii - 
 Dữ liệu thử nghiệm ................................................................................ 92 
 Kết quả thử nghiệm ............................................................................... 96 
 Đánh giá ....................................................................................................... 100 
 Kết luận Chương 3 ....................................................................................... 103 
 PHÁT TRIỂN HỆ THỐNG PHÁT HIỆN SAO CHÉP VĂN BẢN 
TIẾNG VIỆT ......................................................................................................... 106 
 Mô tả hệ thống .............................................................................................. 106 
 Mục đích .............................................................................................. 106 
 Các đối tượng sử dụng ......................................................................... 106 
 Mô hình tổng quát ............................................................................... 107 
 Xây dựng kho dữ liệu văn bản tiếng Việt .................................................... 108 
 Giới thiệu ............................................................................................. 108 
 Kiến trúc hệ thống kho dữ liệu ............................................................ 109 
 Giải pháp xây dựng kho dữ liệu .......................................................... 111 
 Đánh giá về kho dữ liệu ....................................................................... 115 
 Triển khai hệ thống phát hiện sao chép văn bản .......................................... 116 
 Đề xuất hướng phát triển để xử lý dữ liệu lớn ............................................. 121 
 Giới thiệu ............................................................................................. 121 
 Đề xuất giải pháp xử lý ....................................................................... 121 
 Đề xuất phương pháp biểu diễn DNA bằng Tensor ............................ 123 
 Kết luận Chương 4 ....................................................................................... 124 
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ........................................................... 126 
1. Kết luận ........................................................................................................ 126 
2. Hướng phát triển .......................................................................................... 127 
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ .................... 128 
TÀI LIỆU THAM KHẢO .................................................................................... 129 
- iv - 
DANH MỤC CÁC TỪ VIẾT TẮT 
CGs Conceptual Graphs 
(Đồ thị khái niệm) 
DM Data Mart 
(Kho dữ liệu cục bộ) 
DNA DeoxyriboNucleic Acid 
(Chuỗi DNA) 
DW Data Warehouse 
(Kho dữ liệu) 
DWT Discrete Wavelet Transform 
(Phép biến đổi Wavelet rời rạc) 
GA Genetic Algorithms 
(Giải thuật di truyền) 
IDF Inverse Document Frequency 
(Nghịch đảo tần số văn bản) 
LSI Latent Semantic Indexing 
(Chỉ mục ngữ nghĩa tiềm ẩn) 
NDD Near Dupplicate Detection 
(Phát hiện gần trùng lặp) 
NLP Natural Language Processing 
(Xử lý ngôn ngữ tự nhiên) 
PAN Plagiarism Analysis, Authorship Identification, and Near-Duplicate 
detection 
(Hội nghị quốc tế thường niên về đạo văn) 
SVD Singular Value Decomposition 
(Phân tích giá trị đơn) 
TF Term Frequency 
(Tần số từ khóa) 
CSDL Cơ sở dữ liệu 
ĐHĐN Đại học Đà Nẵng 
- v - 
DANH MỤC BẢNG BIỂU 
Bảng 1.1. Phương pháp và thuật toán đánh giá sự giống nhau của văn bản ............. 28 
Bảng 1.2. So sánh và đánh giá một số thuật toán so khớp chuỗi .............................. 32 
Bảng 1.3. Một số phương pháp phát hiện sao chép văn bản ..................................... 35 
Bảng 1.4. Kết quả các nhóm xếp thứ nhất trong nhiệm vụ EPD .............................. 40 
Bảng 2.1. Các tài liệu mẫu để so với giá trị ước lượng ............................................. 64 
Bảng 2.2. Tổng hợp kết quả của các phương pháp ................................................... 66 
Bảng 3.1. Tổng hợp so sánh các kho dữ liệu tại các cuộc thi PAN .......................... 92 
Bảng 3.2. Các giá trị thiết lập cho quá trình thử nghiệm .......................................... 97 
Bảng 3.3. Kết quả thực nghiệm ................................................................................. 98 
Bảng 4.1. Số tài liệu thử nghiệm được cập nhật vào kho dữ liệu ........................... 115 
- vi - 
DANH MỤC HÌNH VẼ 
Hình 1.1. Mối quan hệ giữa và ........................................................................... 12 
Hình 1.2. Quá trình mô hình hóa văn bản ................................................................. 16 
Hình 1.3. Mô hình xử lý tổng quát để phát hiện sao chép [124]............................... 39 
Hình 2.1. Mô hình vector tạo thành ma trận trọng số Từ/Tài liệu ............................ 44 
Hình 2.2. Ví dụ về góc tạo bởi hai vector d1 và d2 .................................................... 44 
Hình 2.3. Quá trình vector hóa theo đơn vị từ .......................................................... 53 
Hình 2.4. Quá trình vector hóa theo đơn vị câu ........................................................ 62 
Hình 2.5. Biểu đồ so sánh kết quả thuật toán với tập tài liệu ................................... 66 
Hình 2.6. Biểu đồ so sánh văn bản theo đơn vị từ và câu ......................................... 67 
Hình 3.1. Mô tả cách xử lý để phát hiện sao chép văn bản ....................................... 71 
Hình 3.2. Phân tích đa phân giải sử dụng DWT ....................................................... 73 
Hình 3.3. Đường tín hiệu qua DWT [50] .................................................................. 75 
Hình 3.4. Đường sóng Haar Wavelet ........................................................................ 76 
Hình 3.5. Đề xuất mô hình hệ thống phát hiện sự giống nhau của văn bản ............. 79 
Hình 3.6. Quá trình xử lý để đánh giá văn bản cần kiểm tra .................................... 80 
Hình 3.7. Mô hình tạo bộ dữ liệu thử nghiệm tiếng Việt .......................................... 94 
Hình 3.8. Giá trị prec và rec đạt được qua các mức ngưỡng khác nhau................... 98 
Hình 3.9. Kết quả thực nghiệm với ngưỡng ε = 10-11 ............................................... 99 
Hình 3.10. Giao diện kết quả một lần thực nghiệm ................................................ 100 
Hình 4.1. Quy trình phát hiện sao chép ................................................................... 107 
Hình 4.2. Kiến trúc hệ thống kho dữ liệu chi tiết .................................................... 110 
Hình 4.3. Quy trình xây dựng kho dữ liệu .............................................................. 111 
Hình 4.4. Quy trình xử lý, cập nhật tài liệu vào kho dữ liệu .................................. 115 
Hình 4.5. Giao diện hệ thống thử nghiệm ............................................................... 117 
Hình 4.6. Mô hình phát hiện đánh dấu nội dung giống nhau .................................. 118 
Hình 4 ...  
[65] Li, Y., Bandar, Z., McLean, D., and O'shea, J., "A Method for Measuring 
Sentence Similarity and iIts Application to Conversational Agents", in 
FLAIRS Conference, 2004, pp. 820-825. 
[66] Li, Y., McLean, D., Bandar, Z. A., and Crockett, K., "Sentence similarity 
based on semantic nets and corpus statistics", IEEE Transactions on 
Knowledge & Data Engineering, pp. 1138-1150, 2006. 
[67] Li, Y. and Ngom, A., "Classification of clinical gene-sample-time microarray 
expression data via tensor decomposition methods", in International Meeting 
on Computational Intelligence Methods for Bioinformatics and Biostatistics, 
Springer, 2010, pp. 275-286. 
[68] Liang, C.-W. and Chen, P.-Y., "DWT based text localization", International 
Journal of Applied Science and Engineering, vol. 2, pp. 105-116, 2004. 
[69] Lin, C.-Y., "Rouge: A package for automatic evaluation of summaries", in 
Text Summarization Branches Out: Proceedings of the ACL-04 Workshop, 
Barcelona, Spain, 2004, pp. 74-81. 
- 134 - 
[70] Lin, D., "An information-theoretic definition of similarity", in Proceedings of 
the Fifteenth International Conference on Machine Learning (ICML), 
Madison, Wisconsin, USA, 1998, pp. 296-304. 
[71] Liu, N., Zhang, B., Yan, J., Chen, Z., Liu, W., Bai, F., et al., "Text 
representation: From vector to tensor", in Fifth IEEE International Conference 
on Data Mining (ICDM’05), IEEE, 2005, pp. 725-728. 
[72] Ljubesic, N., Boras, D., Bakaric, N., and Njavro, J., "Comparing measures of 
semantic similarity", in Proceedings of the 30th International Conference on 
Information Technology Interfaces (ITI2008), IEEE, 2008, pp. 675-682. 
[73] Lyon, C., Barrett, R., and Malcolm, J., "Plagiarism is easy, but also easy to 
detect", pp. 57-65, 2006. 
[74] M K, V. and K, K., "A Survey on Similarity Measures in Text Mining", 
Machine Learning and Applications: An International Journal (MLAIJ) vol. 
3, pp. 19-28, 2016. 
[75] Majumder, G., Pakray, P., Gelbukh, A., and Pinto, D., "Semantic textual 
similarity methods, tools, and applications: A survey", Computación y 
Sistemas, vol. 20, pp. 647-665, 2016. 
[76] Mallat, S. G., "A theory for multiresolution signal decomposition: the wavelet 
representation", IEEE transactions on pattern analysis and machine 
intelligence, vol. 11, pp. 674-693, 1989. 
[77] Manku, G. S., Jain, A., and Das Sarma, A., "Detecting near-duplicates for web 
crawling", in Proceedings of the 16th International Conference on World Wide 
Web, ACM, 2007, pp. 141-150. 
[78] Matsuo, Y. and Ishizuka, M., "Keyword extraction from a single document 
using word co-occurrence statistical information", International Journal on 
Artificial Intelligence Tools, vol. 13, pp. 157-169, 2004. 
[79] Melamed, I. D., Green, R., and Turian, J. P., "Precision and recall of machine 
translation", in Companion Volume of the Proceedings of HLT-NAACL 2003-
Short Papers, San Francisco, CA, USA, Morgan Kaufmann, 2003, pp. 61-63. 
[80] Meuschke, N. and Gipp, B., "State-of-the-art in detecting academic 
plagiarism", International Journal for Educational Integrity, vol. 9, pp. 50-71, 
2013. 
[81] Michailidis, P. D. and Margaritis, K. G., "On-line string matching algorithms: 
Survey and experimental results", International Journal of Computer 
Mathematics, vol. 76, pp. 411-434, 2001. 
[82] Miller, G. and Fellbaum, C., Wordnet: An electronic lexical database, MIT 
Press Cambridge, 1998. 
[83] Mozgovoy, M., Kakkonen, T., and Sutinen, E., "Using natural language 
parsers in plagiarism detection", in Workshop on Speech and Language 
Technology in Education (SLaTE'07), Farmington, PA, USA, 2007, pp. 77-79. 
- 135 - 
[84] Nahnsen, T., Uzuner, O., and Katz, B., "Lexical chains and sliding locality 
windows in content-based text similarity detection", in Companion Volume to 
the Proceedings of Conference including Posters/Demos and tutorial 
abstracts, AIM, 2005, pp. 150-154. 
[85] Nguyen, L. T., Toan, N. X., and Dien, D., "Vietnamese plagiarism detection 
method", in Proceedings of the Seventh Symposium on Information and 
Communication Technology, ACM, 2016, pp. 44-51. 
[86] Nguyen, N. A. T., Yang, H.-J., and Kim, S., "HOKF: High Order Kalman 
Filter for Epilepsy Forecasting Modeling", Biosystems, vol. 158, pp. 57-67, 
2017. 
[87] Niwattanakul, S., Singthongchai, J., Naenudorn, E., and Wanapu, S., "Using 
of Jaccard coefficient for keywords similarity", in Proceedings of the 
International MultiConference of Engineers and Computer Scientists, Hong 
Kong, 2013, pp. 380-384. 
[88] Okada, I., Saito, M., Oida, Y., Yamato, H., Hiekata, K., and Miura, S., 
"Development of the Method for the Appropriate Selection of the Successor 
by Applying Metadata to the Standardization Reports and Members", in Joint 
International Semantic Technology Conference, Springer, 2012, pp. 255-266. 
[89] Olkkonen, J. T., Discrete Wavelet Transforms-Theory and Application, 
InTechOpen, 2011. 
[90] Osman, A. H., Salim, N., and Abuobieda, A., "Survey of text plagiarism 
detection", Computer Engineering and Applications Journal (ComEngApp), 
vol. 1, pp. 37-45, 2012. 
[91] Osman, A. H., Salim, N., Binwahlan, M. S., Alteeb, R., and Abuobieda, A., 
"An improved plagiarism detection scheme based on semantic role labeling", 
Applied Soft Computing, vol. 12, pp. 1493-1502, 2012. 
[92] Paliwal, S., Singh, R. S., and Mandoria, H., "A Survey on various text 
detection and extraction techniques from videos and images", International 
Journal of Computer Science Engineering and Information Technology 
Research (IJCSEITR) vol. 6, pp. 1-10, 2016. 
[93] Park, B. K. and Song, I. Y., "Toward total business intelligence incorporating 
structured and unstructured data", in Proceedings of the 2nd International 
Workshop on Business intelligencE and the WEB, ACM, 2011, pp. 12-19. 
[94] Park, L. A., Ramamohanarao, K., and Palaniswami, M., "A novel document 
retrieval method using the discrete wavelet transform", ACM Transactions on 
Information Systems (TOIS), vol. 23, pp. 267-298, 2005. 
[95] Pataki, M., "Distributed similarity and plagiarism search", in Proceedings of 
the Automation and Applied Computer Science Workshop, Budapest, 
Hungary, 2006, pp. 121-130. 
- 136 - 
[96] Phan, A. H. and Cichocki, A., "Tensor decompositions for feature extraction 
and classification of high dimensional datasets", Nonlinear theory and its 
applications, IEICE, vol. 1, pp. 37-68, 2010. 
[97] Philip, S., Shola, P., and Ovye, A., "Application of content-based approach in 
research paper recommendation system for a digital library", International 
Journal of Advanced Computer Science and Applications, vol. 5, 2014. 
[98] Phương, N. H. and Sơn, V. M., "Tách ảnh dùng biến đổi Wavelet và phân tích 
thành phần độc lập", Tạp chí Phát triển Khoa học và Công nghệ, vol. 11, pp. 
5-16, 2008. 
[99] Popivanov, I., "Efficient similarity queries over time series data using 
wavelets", in Proceedings of the 18th International Conference on Data 
Engineering, San Jose, Calif, USA, 2002, pp. 273-282. 
[100] Potthast, M., et al, "Overview of the 1st International Competition on 
Plagiarism Detection", In Stein, B., et al (Ed), PAN’09, pp. 1-9, 2009. 
[101] Potthast, M., Hagen, M., Gollub, T., Tippmann, M., Kiesel, J., Rosso, P., et 
al., "Overview of the 5th International Competition on Plagiarism Detection", 
in CLEF (Working Notes), 2013. 
[102] Potthast, M., Stein, B., Eiselt, A., Barrón-Cedeño, A., and Rosso, P., 
"Overview of the 2nd International Competition on Plagiarism Detection", 
Proceedings of PAN at CLEF, 2010. 
[103] Rahman, M. and Chow, T. W., "Content-based hierarchical document 
organization using multi-layer hybrid network and tree-structured features", 
Expert Systems with Applications, vol. 37, pp. 2874-2881, 2010. 
[104] Rahman, M., Yang, W. P., Chow, T. W., and Wu, S., "A flexible multi-layer 
self-organizing map for generic processing of tree-structured data", Pattern 
Recognition, vol. 40, pp. 1406-1424, 2007. 
[105] Raviraj, P. and Sanavullah, M., "The modified 2D-Haar Wavelet 
Transformation in image compression", Middle-East Journal of Scientific 
Research, vol. 2, pp. 73-78, 2007. 
[106] Reddy, G. S., Rajinikanth, T., and Rao, A. A., "Clustering and Classification 
of Text Documents Using Improved Similarity Measure", International 
Journal of Computer Science and Information Security, vol. 14, p. 39, 2016. 
[107] Řehůřek, R., "Semantic-based plagiarism detection", Masaryk University, 
2008. 
[108] Ritter, H. and Kohonen, T., "Self-organizing semantic maps", Biological 
cybernetics, vol. 61, pp. 241-254, 1989. 
[109] Rubini, P. and Leela, M. S., "A survey on plagiarism detection in text mining", 
International Journal of Research in Computer Applications and Robotics, 
vol. 1, pp. 117-119, 2013. 
[110] Runeson, P., Alexandersson, M., and Nyholm, O., "Detection of duplicate 
defect reports using natural language processing", in Proceedings of the 29th 
- 137 - 
International Conference on Software Engineering (ICSE'07), IEEE, 2007, 
pp. 499-510. 
[111] Salton, G., Automatic text processing: The transformation, analysis, and 
retrieval of information by computer, 1989. 
[112] Salton, G., "Developments in automatic text retrieval", Science, vol. 253, pp. 
974-980, 1991. 
[113] Salton, G. and Buckley, C., "Term-weighting approaches in automatic text 
retrieval", Information Processing & Management, vol. 24, pp. 513-523, 1988. 
[114] Salton, G., Wong, A., and Yang, C. S., "A vector space model for automatic 
indexing", Communications of the ACM, vol. 18, pp. 613-620, 1975. 
[115] Si, A., Leong, H. V., and Lau, R. W., "Check: a document plagiarism detection 
system", in Proceedings of the 1997 ACM Symposium on Applied Computing, 
ACM, 1997, pp. 70-77. 
[116] Sidorov, G., Gelbukh, A., Gómez-Adorno, H., and Pinto, D., "Soft similarity 
and soft cosine measure: Similarity of features in vector space model", 
Computación y Sistemas, vol. 18, pp. 491-504, 2014. 
[117] Singh Choudhry, M., Kapoor, R., Abhishek, Gupta, A., and Bharat, B., A 
survey on different discrete wavelet transforms and thresholding techniques 
for EEG denoising, 2016. 
[118] Singla, N. and Garg, D., "String matching algorithms and their applicability in 
various applications", International Journal of Soft Computing and 
Engineering, vol. 1, pp. 218-222, 2012. 
[119] Sorokina, D., Gehrke, J., Warner, S., and Ginsparg, P., "Plagiarism detection 
in arXiv", in Proceedings of the 6th International Conference on Data Mining 
(ICDM'06), IEEE, 2006, pp. 1070-1075. 
[120] Sowa, J. F., "Conceptual graphs for a data base interface", IBM Journal of 
Research and Development, vol. 20, pp. 336-357, 1976. 
[121] Stanković, R. S. and Falkowski, B. J., "The Haar wavelet transform: its status 
and achievements", Computers & Electrical Engineering, vol. 29, pp. 25-44, 
2003. 
[122] Stein, B., Barrón Cedeño, L. A., Eiselt, A., Potthast, M., and Rosso, P., 
"Overview of the 3rd International Competition on Plagiarism Detection", in 
CEUR Workshop Proceedings, CEUR Workshop Proceedings, 2011. 
[123] Stein, B., Rosso, P., Stamatatos, E., Koppel, M., and Agirre, E., "3rd PAN 
workshop on uncovering plagiarism, authorship and social software misuse", 
in 25th Annual Conference of the Spanish Society for Natural Language 
Processing (SEPLN), San Sebastian, Spain, 2009, pp. 1-77. 
[124] Stein, B., zu Eissen, S. M., and Potthast, M., "Strategies for retrieving 
plagiarized documents", in Proceedings of the 30th Annual International ACM 
SIGIR Conference on Research and Development in Information Retrieval, 
ACM, 2007, pp. 825-826. 
- 138 - 
[125] Su, Z., Ahn, B.-R., Eom, K.-Y., Kang, M.-K., Kim, J.-P., and Kim, M.-K., 
"Plagiarism detection using the Levenshtein distance and Smith-Waterman 
algorithm", in Proceedings of the 3rd International Conference on Innovative 
Computing Information and Control (ICICIC'08), IEEE, 2008, pp. 569-569. 
[126] Tang, X. L., Wang, X. R., and Wang, M., "Text Summarization Using Hybrid 
Parallel Genetic Algorithm", in Advanced Materials Research, Trans Tech 
Publ, 2011, pp. 1073-1076. 
[127] Taufin M Jeeralbhavi, D. J. D. P., Shivananda V. Seeri, "Text Extraction and 
Localization From Captured Images", International Journal on Recent and 
Innovation Trends in Computing and Communication (IJRITCC), vol. 4, pp. 
119 -121, 2016. 
[128] Tesar, R., Strnad, V., Jezek, K., and Poesio, M., "Extending the single words-
based document model: a comparison of bigrams and 2-itemsets", in 
Proceedings of the 2006 ACM Symposium on Document Engineering, ACM, 
2006, pp. 138-146. 
[129] Thụy, H. Q., Giáo trình Khai phá Dữ liệu Web, Giáo dục Việt Nam, 2009. 
[130] Toi, N. X., Hung, N. V., and Son, P. B., "A unified plagiarism detection 
framework", VNU Journal of Science: Mathematics-Physics, vol. 27, pp. 55-
62, 2011. 
[131] Torres, S. and Gelbukh, A., "Comparing similarity measures for original WSD 
lesk algorithm", Research in Computing Science, vol. 43, pp. 155-166, 2009. 
[132] Vidakovic, B., Statistical modeling by wavelets, John Wiley & Sons, 2009. 
[133] Wahlstrom, S., "Evaluation of String Searching Algorithms", in IDT Mini-
conference on Interesting Results in Computer Science and Engineering, 
2004. 
[134] Weber-Wulff, D., Möller, C., Touras, J., and Zincke, E., "Plagiarism detection 
software test 2013", 2013. 
[135] Xexéo, G., de Souza, J., Castro, P. F., and Pinheiro, W. A., "Using wavelets 
to classify documents", in 2008 IEEE/WIC/ACM International Conference on 
Web Intelligence and Intelligent Agent Technology, IEEE, 2008, pp. 272-278. 
[136] Xiao, C., Wang, W., Lin, X., Yu, J. X., and Wang, G., "Efficient similarity 
joins for near-duplicate detection", Proceedings of the ACM International 
Conference on Management of Data, pp. 1033-1044, 2011. 
[137] Yang, H. and Callan, J., "Near-duplicate detection by instance-level 
constrained clustering", in Proceedings of the 29th Annual International ACM 
SIGIR Conference on Research and Development in Information Retrieval, 
ACM, 2006, pp. 421-428. 
[138] Zhanga, J., Suna, X., and Wangc, J., "Semantic Keyword-based Text Copy 
Detection Method", Advanced Science and Technology Letters, vol. 49, pp. 
253-261, 2014. 
- 139 - 
[139] Zimmermann, H. J., Fuzzy set theory and its applications, Kluwer Academic 
Publishers, Boston/Dordrecht/London, 2001. 
[140] Zini, M., Fabbri, M., Moneglia, M., and Panunzi, A., "Plagiarism detection 
through multilevel text comparison", in Proceedings of the Second 
International Conference on Automated Production of Cross Media Content 
for Multi-Channel Distribution (AXMEDIS'06), IEEE, 2006, pp. 181-185. 
[141] Zou, D., Long, W.-J., and Ling, Z., "A cluster-based plagiarism detection 
method", in Notebook Papers of CLEF 2010 LABs and Workshops, 2010.