钱 程，谢春丽，王梦琦，权 雷

（1.江苏师范大学智慧教育学院；2.江苏师范大学计算机科学与技术学院，江苏徐州 221116）

0 引言

随着Github、StackOverflow 等开源代码平台的开放，这些开源代码的直接获取不可避免地引发了代码剽窃，无形中增加了程序漏洞的传播。高校各种在线判题系统（On⁃line Judge，OJ）使用过程中，学生作业以源代码形式提交到OJ 平台，平台在线自动完成评测，这种方式使得学生抄袭他人代码现象泛滥［1］。事实上，商用软件领域抄袭的现象也愈演愈烈［1］，造成了维护程序编写者知识产权日渐困难的局面。因此，研究代码克隆并评测代码剽窃这一问题很有必要。文本相似度度量是解决该类问题的基础手段，它也适用于其他领域，如文本分类［2］、信息检索、自动代码补充［3］等。相关文本相似度计算方法不断被设计研究出来，比较常见的有N-gram、TF-IDF、LSA 等。

N-gram 模型注重词数量特征，缺乏对语义的检测［4］。武永亮等［5］提出的TF-IDF 模型通过计算词频权重来比较词的重要性，但这种方法仅仅只针对文本统计信息，缺乏对词义、结构的计算。一些其他基于关键词典的方法受词典大小限制，需要大量词汇；而基于编辑距离的方法由于应用场景受限制，对长句的检测、计算存在较大误差［6］。

针对上述问题，本文选择基于向量空间的模型，通过TF-IDF 和Word2vec 构建模型。将该模型与基于N-Gram的模型进行对比，以期尽可能考虑到文本相似度的语义因素，并对其计算结果进行比较和分析。实验结果表明，基于向量空间的模型在检测C++源码相似情况的效果要优于基于词的N-gram 模型。……