yenya-detailed.tex

   1 \section{Detailed Document Comparison}
   2
   3
   4 \subsection{General Approach}
   5
   6 Our approach in PAN 2012 Plagiarism detection---Detailed comparison sub-task
   7 is loosely based on the approach we have used in PAN 2010 \cite{Kasprzak2010}.
   8
   9 The algorithm evaluates the document pair in several stages:
  10
  11 \begin{itemize}
  12 \item intrinsic plagiarism detection
  13 \item language detection of the source document
  14 \begin{itemize}
  15 \item cross-lingual plagiarism detection, if the source document is not in English
  16 \end{itemize}
  17 \item detecting intervals with common features
  18 \item post-processing phase, mainly serves for merging the nearby common intervals
  19 \end{itemize}
  20
  21 \subsection{Intrinsic plagiarism detection}
  22
  23 Our approach is based on character $n$-gram profiles of the interval of
  24 the fixed size (in terms of $n$-grams), and their differences to the
  25 profile of the whole document \cite{pan09stamatatos}. We have further
  26 enhanced the approach with using gaussian smoothing of the style-change
  27 function \cite{Kasprzak2010}.
  28
  29 For PAN 2012, we have experimented with using 1-, 2-, and 3-grams instead
  30 of only 3-grams, and using the different measure of the difference between
  31 the n-gram profiles. We have used an approach similar to \cite{ngram},
  32 where we have compute the profile as an ordered set of 400 most-frequent
  33 $n$-grams in a given text (the whole document or a partial window). Apart
  34 from ordering the set, we have ignored the actual number of occurrences
  35 of a given $n$-gram altogether, and used the value inveresly
  36 proportional to the $n$-gram order in the profile, in accordance with
  37 the Zipf's law \cite{zipf1935psycho}.
  38
  39 This approach has provided more stable style-change function than
  40 than the one proposed in \cite{pan09stamatatos}. Because of pair-wise
  41 nature of the detailed comparison sub-task, we couldn't use the results
  42 of the intrinsic detection immediately, therefore we wanted to use them
  43 as hints to the external detection.
  44
  45 \subsection{Cross-lingual Plagiarism Detection}
  46
  47 For language detection, we used the $n$-gram based categorization \cite{ngram}.
  48 We have computed the language profiles from the source documents of the
  49 training corpus (using the annotations from the corpus itself). The result
  50 of this approach was better than using the stopwords-based detection we have
  51 used in PAN 2010. However, there were still mis-detected documents,
  52 mainly the long lists of surnames and other tabular data. We have added
  53 an ad-hoc fix, where for documents having their profile too distant from all of
  54 English, German, and Spanish profiles, we have declared them to be in English.
  55
  56 For cross-lingual plagiarism detection, our aim was to use the public
  57 interface to Google translate if possible, and use the resulting document
  58 as the source for standard intra-lingual detector.
  59 Should the translation service not be available, we wanted
  60 to use the fall-back strategy of translating isolated words only,
  61 with the additional exact matching of longer words (we have used words with
  62 5 characters or longer).
  63 We have supposed that these longer words can be names or specialized terms,
  64 present in both languages.
  65
  66 We have used dictionaries from several sources, like
  67 {\it dicts.info}\footnote{\url{http://www.dicts.info/}},
  68 {\it omegawiki}\footnote{\url{http://www.omegawiki.org/}},
  69 and {\it wiktionary}\footnote{\url{http://en.wiktionary.org/}}. The source
  70 and translated document were aligned on a line-by-line basis.
  71
  72 In the final form of the detailed comparison sub-task, the results of machine
  73 translation of the source documents were provided to the detector programs
  74 by the surrounding environment, so we have discarded the language detection
  75 and machine translation from our submission altogether, and used only
  76 line-by-line alignment of the source and translated document for calculating
  77 the offsets of text features in the source document. We have then treated
  78 the translated documents the same way as the source documents in English.
  79
  80 \subsection{Multi-feature Plagiarism Detection}
  81
  82 Our pair-wise plagiarism detection is based on finding common passages
  83 of text, present both in the source and in the suspicious document. We call them
  84 {\it common features}. In PAN 2010, we have used sorted word 5-grams, formed from
  85 words of three or more characters, as features to compare.
  86 Recently, other means of plagiarism detection have been explored:
  87 stopword $n$-gram detection is one of them
  88 \cite{stamatatos2011plagiarism}.
  89
  90 We propose the plagiarism detection system based on detecting common
  91 features of various types, for example word $n$-grams, stopword $n$-grams,
  92 translated single words, translated word bigrams,
  93 exact common longer words from document pairs having each document
  94 in a different language, etc. The system
  95 has to be to the great extent independent of the specialities of various
  96 feature types. It cannot, for example, use the order of given features
  97 as a measure of distance between the features, as for example, several
  98 word 5-grams can be fully contained inside one stopword 8-gram.
  99
 100 We therefore propose to describe the {\it common feature} of two documents
 101 (susp and src) with the following tuple:
 102 $\langle
 103 \hbox{offset}_{\hbox{susp}},
 104 \hbox{length}_{\hbox{susp}},
 105 \hbox{offset}_{\hbox{src}},
 106 \hbox{length}_{\hbox{src}} \rangle$. This way, the common feature is
 107 described purely in terms of character offsets, belonging to the feature
 108 in both documents. In our final submission, we have used the following two types
 109 of common features:
 110
 111 \begin{itemize}
 112 \item word 5-grams, from words of three or more characters, sorted, lowercased
 113 \item stopword 8-grams, from 50 most-frequent English words (including
 114         the possessive suffix 's), unsorted, lowercased, with 8-grams formed
 115         only from the seven most-frequent words ({\it the, of, a, in, to, 's})
 116         removed
 117 \end{itemize}
 118
 119 We have gathered all the common features of both types for a given document
 120 pair, and formed {\it valid intervals} from them, as described
 121 in \cite{Kasprzak2009a}. A similar approach is used also in
 122 \cite{stamatatos2011plagiarism}.
 123 The algorithm is modified for multi-feature detection to use character offsets
 124 only instead of feature order numbers. We have used valid intervals
 125 consisting of at least 5 common features, with the maximum allowed gap
 126 inside the interval (characters not belonging to any common feature
 127 of a given valid interval) set to 3,500 characters.
 128
 129 We have also experimented with modifying the allowed gap size using the
 130 intrinsic plagiarism detection: to allow only shorter gap if the common
 131 features around the gap belong to different passages, detected as plagiarized
 132 in the suspicious document by the intrinsic detector, and allow larger gap,
 133 if both the surrounding common features belong to the same passage,
 134 detected by the intrinsic detector. This approach, however, did not show
 135 any improvement against allowed gap of a static size, so it was omitted
 136 from the final submission.
 137
 138 \subsection{Postprocessing}
 139
 140 In the postprocessing phase, we took the resulting valid intervals,
 141 and made attempt to further improve the results. We have firstly
 142 removed overlaps: if both overlapping intervals were
 143 shorter than 300 characters, we have removed both of them. Otherwise, we
 144 kept the longer detection (longer in terms of length in the suspicious document).
 145
 146 We have then joined the adjacent valid intervals into one detection,
 147 if at least one of the following criteria has been met:
 148 \begin{itemize}
 149 \item the gap between the intervals contained at least 4 common features,
 150 and it contained at least one feature per 10,000
 151 characters\footnote{we have computed the length of the gap as the number
 152 of characters between the detections in the source document, plus the
 153 number of charaters between the detections in the suspicious document.}, or
 154 \item the gap was smaller than 30,000 characters and the size of the adjacent
 155 valid intervals was at least twice as big as the gap between them, or
 156 \item the gap was smaller than 30,000 characters and the number of common
 157 features per character in the adjacent interval was not more than three times
 158 bigger than number of features per character in the possible joined interval.
 159 \end{itemize}
 160
 161 These parameters were fine-tuned to achieve the best results on the training corpus. With these parameters, our algorithm got the total plagdet score of 0.73 on the training corpus.
 162
 163 \subsection{Further discussion}
 164
 165 As in our PAN 2010 submission, we tried to make use of the intrinsic plagiarism
 166 detection, but despite making further improvements to the intrinsic plagiarism detector, we have again failed to reach any significant improvement
 167 when using it as a hint for the external plagiarism detection.
 168
 169 In the full paper, we will also discuss the following topics:
 170
 171 \begin{itemize}
 172 \item language detection and cross-language common features
 173 \item intrinsic plagiarism detection
 174 \item suitability of plagdet score\cite{potthastframework} for performance measurement
 175 \item feasibility of our approach in large-scale systems
 176 \item discussion of parameter settings
 177 \end{itemize}
 178
 179 \nocite{pan09stamatatos}
 180 \nocite{ngram}
 181
 182