Java lucene API文本相似性

我正在写一个关于用Java检测剽窃的项目， 在本例中，对于第一步，我需要执行以下任务：

inputing  file (txt, .pdf, .doc)
convert the file content to text
removing stop words
tokenizng into n-gram
processing the text-similarity algorithms on the texts
reporting plagiarism detection signs

我是通过自己编写代码来完成这些步骤的，但现在我觉得它缺乏很多性能，所以我开始在我的工作中使用可用的API es，例如word vector tool（）、wordnet和

Lucene

。vvtool因可用的文档不足而失败。 现在我的问题是如何使用Lucene实现这些，我应该将文件作为字符串输入，并将其作为字段添加到文档对象中，还是它有专门的文本相似性检查类？ 请在

Lucene

Library上帮助我。 提前谢谢

---

Ps-你有任何关于Lucene的示例代码源代码可以让我开始吗

我不知道lucene，但对于文本相似性，您可以使用ws4j库或。

我用于相似性库的代码如下：

final SentenceSimilarityAssessor s=new SentenceSimilarityAssessor();
s.getSearchEngineHungarianSentenceSimilarity(s1, s2, SimilarityConstants.GOOGLE, SimilarityConstants.NGD_MEASURE, SimilarityConstants.TURNEY_SCORE_1);

---

你可以试试这个。

谢谢，我下载了jar文件，但是我在哪里可以找到一些关于ws4j的好例子和文档呢？即使是除了它自己的演示文件，我也没有找到很多好例子。你提到的相似性库呢？你能给我一个链接吗？你是说wordnet图书馆？是的。就连我也面临同样的问题。没有或很少有帮助。请检查我的原始答案我粘贴了相似性库链接它是开源库吗？因为我以前试图通过向此处的地址（）发送电子邮件来获取它，但没有任何回复。将出现错误，似乎SentReceibilityAssessor在以下路径中搜索文件：C:\work\montytagger-1.2\python\JMontyTagger.py，但没有JMontyTagger.py文件，我可以将其放置在那里！！我认为我的包不完整或遗漏了一些东西，而且文件夹中没有文档。您确定已提取jar文件sim_library.jar并将其添加到项目的构建路径中吗？因为jmontyTagger和所有其他文件都存在于jar中。你在做什么？一个建议：解压缩你从他们那里得到的文件夹。从这个解压缩的源代码创建一个eclipse项目。然后您将在src文件夹中看到3个演示类。然后你可以编译并制作一个jar文件，并将其用于你的目的。我拥有的zip文件夹是：`SIMILARITYLIBRARY\u RELEASE`，它有以下文件夹：[形容词收件箱副词索引bin lib nouneIndex senseIndex相似性lib src stopw‌​在lib文件夹中有一些.jar文件，我将它们全部添加到了项目中sim_lib.jar也在那里添加了，simlibrary_lib文件夹中有一些jar文件，我也添加了它们。我提取了sim_lib.jar，它包含了我提到的那些文件夹和类：assesors searchengin Similarity没有编译错误！所有的类都已解决，好的，我说的错误在运行时。