質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

91.02%

  • Google

    467questions

    Googleは、アメリカ合衆国に位置する、インターネット関連のサービスや製品を提供している企業です。検索エンジンからアプリケーションの提供まで、多岐にわたるサービスを提供しています。

コピペチェックツールの作り方について

解決済

回答 1

投稿

  • 評価
  • クリップ 1
  • VIEW 254

mido

score 7

コピペチェックツールを作りたいと考えています。
その文章がGoogleで検索した時に、類似したものがあるかどうか、類似率はどのくらいかを調べたいと考えています。
短文であればそのまま検索クエリに投げれば検索にヒットするとは思いますが、長文の場合はどうすればいいのが最適かを考えています。
検索にはGoogleのAPIを使う予定です。

他のツールを見ますと部分的にコピーされた箇所も発見できるようなので、まずは長文をセンテンス毎に区切る必要があると思われます。
区切ったセンテンスで検索を掛ける場合、完全一致であればズバリ出てくるかと思いますが、少しだけリライトされた部分一致の場合は、類似検索が必要かと思われます。

Googleのオプションに「OR検索」や「*」「:related」というものがありますが、類似画像検索のような類似の検索結果を表示させる方法はあるのでしょうか?
また、ツールを使わずに手動でコピペチェックをする場合の手順はどういった方法があるでしょうか?

知っておられる方がいましたらご助力よろしくお願い致します。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+3

Googleでの検索により探索する場合は、ご認識のように文単位程度に分割して検索して、一致する文章がヒットするかをチェックする形となるかと思います。
全ての文章は検索できないかと思いますので、抜粋してチェックし、確率的な確認に留まるかと思います。

コピペとなると、その情報源としてはWikipediaが利用されることが多いように思います。
Wikipediaは透明性の確保と二次利用のために全データをダウンロードすることができます。これを利用してWikipediaの文章との一致を確認することは可能です。

Wikipedia:データベースダウンロード - Wikipedia

あいまい検索を行うには、レーベンシュタイン距離などを用いてある程度類似の文章を検索するといったことが考えられるかと思います。
そのような検索の実装としてはagrepが有名かと思います。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/11/01 10:51

    > 全ての文章は検索できないかと思いますので、抜粋してチェックし、確率的な確認に留まる

    なるほど、ありがとうございます。
    ということは、比較したい文章を抜粋して検索で出てきたサイトリストの文章を取得する。
    レーベンシュタイン距離関数で類似度を比較し類似度を測定し、取り込んだ文章を正規表現を駆使して曖昧検索する、といった感じでしょうか。

    キャンセル

  • 2017/11/01 11:40 編集

    Google検索でヒットしたページ内の記述全体についても確認される場合は、おおよそご認識の通りの流れになるかと思います。
    レーベンシュタイン距離は、2つの文字列間の異なり具合を表すものですので、この距離が小さい(近い)文章が存在する場合は、引用されている可能性があると判断できるかと思います。
    あまり詳しくはないのですが、Bitapアルゴリズムを利用すると、レーベンシュタイン距離に基づく類似文字列の検索ができるようです。
    agrepはこれを利用したコマンドであるようです。
    これ以上の説明は、私もWikipediaからコピペするくらいしかできないですね。

    キャンセル

  • 2017/11/01 11:43

    追加情報ありがとうございます。
    そうしますと、レーベンシュタイン距離が近いセンテンスが複数その文章に存在する場合は、かなり剽窃度が高い、という判定ができそうですね。

    話題になったWELQ問題は複数のサイトからちょっとずつコンテンツを引っ張って水増ししていたようですが、そうなると継ぎ接ぎですので類似度を測りにくい=オリジナルと見なされてしまう、というのがなんとなく理解できました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 91.02%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る

  • Google

    467questions

    Googleは、アメリカ合衆国に位置する、インターネット関連のサービスや製品を提供している企業です。検索エンジンからアプリケーションの提供まで、多岐にわたるサービスを提供しています。