精选理由
做文本相似度、抄袭检测或代码比对的开发者，可以关注这种不依赖语言的新统计特征——它比传统方法更鲁棒，且直接可用。
该论文将视觉计算领域的共现矩阵（COM）和游程长度矩阵（RLM）特征改编用于通用字符串（单词、短语、代码、文本）的相似度计算。这些特征纯统计且不依赖语言信息，适用于任何语言或语法结构。实验表明，在合成数据集上，COM和RLM特征优于最长公共子序列、编辑距离等传统统计方法；在3/4的案例中，其统计显著性显著高于基于距离的第二佳方法（P值<0.001）。在真实文本抄袭数据集上，RLM特征取得了最佳结果。
AI 翻译 · 中文
该论文将视觉计算领域的共现矩阵（COM）和游程长度矩阵（RLM）特征改编用于通用字符串（单词、短语、代码、文本）的相似度计算。这些特征纯统计且不依赖语言信息，适用于任何语言或语法结构。实验表明，在合成数据集上，COM和RLM特征优于最长公共子序列、编辑距离等传统统计方法；在3/4的案例中，其统计显著性显著高于基于距离的第二佳方法（P值<0.001）。在真实文本抄袭数据集上，RLM特征取得了最佳结果。
Adaptations of features commonly applied in the field of visual computing, co-occurrence matrix (COM) and run-length matrix (RLM), are proposed for the similarity computation of strings in general (words, phrases, codes …