论文查重的原理是什么?

当你提交一篇论文去查重，查重系统做的核心事情就是把你写的内容和它知道的、以及能找到的很多已有的文字材料进行比对。它的目标是找出你的文章哪些部分和已经存在的东西相似或者一样。

第一步是处理你的论文。 系统会先处理你上传的文件。它可能会自动去掉你文章里的图片、复杂的公式排版，或者一些特殊的符号格式，只留下最核心的文字内容。这样做是为了让接下来的比对能集中在文字本身。

第二步是分割和比对。 系统通常会把你的文章按段落或者句子拆分成很多小份。然后，它会用特定办法（不需要深入讲，本质就是比较字词的序列）拿其中一小份去它的资料库里仔细搜索。这个资料库非常庞大，包含了以前别人发表过的很多学术论文、期刊文章、硕博论文，也包括各种网页上的文章、新闻稿、电子书籍、甚至是一些论坛的讨论内容等等。很多系统还会把以前提交给它检查过的论文也放进去。

查找“重复”的依据是什么？ 系统比对时，主要看连续多少字完全相同。比方说，一个常用的设定可能是：如果你的文章中连续出现十几个字和资料库里某篇文章的十几个字完全一样，那系统就很可能把这部分标记出来，算作“重复”。当然，这个标准（多少字连续一样才算重复）每个系统可能不同，有的松些，有的严格些。

引用怎么办？ 如果你在写作时正确使用了引用格式，查重系统有时能识别出来这部分是引用的内容。如果格式完全正确，系统可能会暂时忽略或者特别标记出这部分，不把它算作“抄袭”。但是要注意，即使规范引用，如果你引用的内容比例太高，即使不算抄袭，系统的总体重复率（相似度百分比）也可能非常高。另外，如果引用格式没弄对或者根本没标明出处，系统肯定把它当成你自己的文字去比对了，那就很可能被标为重复内容。

只是换换词语顺序或者用同义词替换行吗？ 早期的查重系统可能主要盯着字面上的“完全一样”。但现在很多查重系统变得更“聪明”一些了。它们能在一定程度上识别“表达相同意思但字面不完全一样”的内容。

把原文句子的词序打乱重新组织表达。把原文里的一些词换成意思差不多的其他词。在原文中间插入一些不影响核心意思的辅助词语。删除原文中不影响核心意思的辅助词语。系统尝试理解这些小改动背后的句子意思，如果它认为虽然字面变了，但核心意思表达没变，并且和资料库某处高度类似，它也可能会把这部分内容标出来。当然，如果只是简单换几个词，效果有限；彻底改写句子结构，改变表达方式，会更有效避开检测。

最后出结果。 系统完成了对整个论文所有小块内容的搜索和比对后，会汇总出一个报告。这个报告会指出你的文章里哪些地方和哪篇已有的资料（来源会告诉你）有相同的部分，相同的程度是多少。同时会计算出一个总的“相似度百分比”，这就是常说的“重复率”。这个比例越高，就说明你的文章和已有内容相同或极其相似的地方越多。