Một tiếp cận đánh giá độ trùng lặp văn bản sử dụng trong số mờ

TP CH KHOA HC − S
 8/2016 105 
M
T TI>P C=N 	NH GI 	
 TR/NG LMP 
VNN B5N S D8NG TR+NG S# M@ 
Đỗ Nam Tiến1(1), Khiếu Văn Bằng1, Nguyễn Tu Trung1, 
Trần Thành Trung2, Nguyễn Huy Đức3 
1Viện Công nghệ thông tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam 
2Trường Đại học Sư phạm Hà nội 2 
3Trường Cao đẳng Sư phạm Trung Ương 
Tóm tắt: Trùng lặp nội dung văn bản là vấn đề phổ biến từ các trang báo, trang tin đến 
các tác phẩm. Việc phát hiện trùng lặp là rất cần thiết. Bản chất là kiểm tra sự tương tự 
giữa các tài liệu. Tuy nhiên, đây là bài toán phức tạp và đang được quan tâm nghiên cứu. 
Hiện nay, có nhiều phương pháp được nghiên cứu để giải quyết vấn đề này. Trong bài 
báo này, chúng tôi đề xuất một cải tiến độ đo tương tự dựa trên logic mờ và ứng dụng 
trong vấn đề phát hiện trùng lặp nội dung bài báo. 
Từ khoá: Văn bản, phát hiện trùng lặp, độ tương tự. 
1. ĐẶT VẤN ĐỀ 
Trùng lặp nội dung văn bản là hiện tượng phổ biến trong đời sống. Vì nhiều nguyên 
nhân, các văn bản thường bị sao chép, trích dẫn. Đây là lí do mà các văn bản có thể tìm 
được từ nhiều nguồn khác nhau như các trang báo điện tử. Vì những lí do khác nhau, nhiều 
khi chúng ta muốn tìm và phát hiện sự trùng lặp giữa các văn bản. Ví dụ liên quan đến vấn 
đề tác quyền, tác giả muốn kiểm tra xem nội dung tác phẩm của họ có bị sử dụng dụng lại 
một cách trái phép hay không. Vấn đề đạo nhạc, đạo bài hát, tác phẩm văn học... hiện đang 
khiến giới chuyên môn bức xúc. Đối với các hệ thống lưu trữ tài liệu, việc lưu các văn bản 
có độ trùng lặp cao chỉ gây lãng phí và tốn tài nguyên. Với các máy tìm kiếm, khi thu thập 
dữ liệu từ Internet, nếu đánh giá tốt độ trùng lặp của dữ liệu mới so với các tài liệu có trong 
kho dữ liệu sẽ tránh được việc tiếp tục tải thêm và lưu trữ một dữ liệu mới trùng lặp vào 
kho dữ liệu... Vì vậy, vấn đề phát hiện trùng lặp hiện đang được quan tâm. 
(1) Nhận bài ngày 11.8.2016; gửi phản biện và duyệt đăng ngày 15.9.2016 
 Liên hệ tác giả: Đỗ Nam Tiến; Email:
tiendonam@gmail.com 
106 TRNG I HC TH  H NI 
Phát hiện trùng lặp là bài toán phức tạp vì các văn bản thường không bị sao chép toàn 
phần mà chỉ một phần có thể ít, có thể nhiều. Các phần bị sao chép có thể bị thay đổi và 
nằm ở vị trí khác nhau trong văn sao chép. Hiện tại, có nhiều kĩ thuật phát hiện trùng lặp 
khác nhau bao gồm: Shingling[1], I-Match[2], Phép chiếu ngẫu nhiên, SpotSigs, Sự tương 
tự giữa hai tài liệu... 
Có thể thấy vấn đề phát hiện trùng lặp thực chất là việc tính toán độ tương tự trong nội 
dung của văn bản cần so sánh với các văn bản có sẵn trong kho dữ liệu (Corpus). Độ tương 
tự của văn bản được xác định dựa trên các chỉ số như: 
• Độ tương tự về ngữ nghĩa của các văn bản: Từ khoá, TF - IDF; 
• Độ tương tự về câu văn, đoạn văn; 
• Độ tương tự về ngữ pháp của văn bản: Cú pháp câu, từ loại,... 
• Độ tương tự về các thẻ HTML của các trang web; 
Việc sử dụng một tiêu chí để đánh giá độ tương tự của các văn bản trong kho văn bản 
ngày càng trở nên thiếu hiệu quả do người dùng Internet và các công cụ sao chép nội dung 
ngày càng thông minh hơn. Do đó, ngày càng có nhiều nghiên cứu tập trung vào việc kết 
hợp các tiêu chí đánh giá độ tương tự với nhau để từ đó làm tăng độ chính xác của các 
công cụ đánh giá độ tương tự văn bản, phát hiện trùng lặp, máy tìm kiếm,... 
Trong [4], Muneer và cộng sự đã đề xuất thuật toán cho việc thiết lập các cụm trang 
web trùng lặp. Ngoài ra, Fresno và cộng sự đã đề xuất hàm trọng số FCC là hệ mờ cho việc 
gán các trọng số đặc trưng và sự kết hợp của chúng [5][3]. 
Hiện nay, trong nước cũng đã có một số công trình nghiên cứu về việc phát hiện nội 
dung trùng lặp trong kho văn bản tiếng Việt [9], [6], [8], các nghiên cứu cho thấy việc kết 
hợp các tiêu chí đánh giá nội dung văn bản để phát hiện sự trùng lặp trong kho văn bản 
tiếng Việt làm tăng độ chính xác trong việc đánh giá của các thuật toán. Tuy nhiên, các 
nghiên cứu cũng cho thấy vẫn cần phải nghiên cứu thêm để cải tiến, tối ưu hoá việc kết 
hợp các tiêu chí đánh giá để nâng cao độ chính xác của việc phát hiện trùng lặp. 
Bài báo này đề xuất cải tiến đánh giá độ tương tự giữa hai văn bản tiếng Việt.Các phần 
còn lại của bài báo này được trình bày như sau. Phần 2 trình bày hệ thống tra cứu văn bản 
nói chung và đô đo tương tự giữa hai văn bản. Phần 3 trình bày độ đo tương tự mới cải tiến 
từ độ đo đã có sử dụng logic mờ. Một số thử nghiệm được trình bày trong phần 4. Phần 5 
là kết luận bài báo. 
2. HỆ THỐNG TRA CỨU VĂN BẢN TRÙNG LẶP 
Trong [6] đưa ra một mô hình hệ thống tra cứu văn bản trùng lặp. Chương trình thực 
hiện kiểm tra một bài báo điện tử được thu thập về xem có giống/gần giống với các bài đã 
TP CH KHOA HC − S
 8/2016 107 
được thu thập trước đó hay không. Dữ liệu được lấy từ các bài báo điện tử được viết bằng 
Tiếng Việt. 
Hình 1. Mô hình thử nghiệm vấn đề phát hiện trùng lặp nội dung các bài báo [6]. 
 Các bước thực hiện như sau: 
• Bước 1: Thu thập các bài báo điện tử 
• Bước 2: Lấy nội dung của các bài báo đã được thu thập và loại bỏ nhiễu. 
• Bước 3: Thực hiện shingling cho mỗi tài liệu. 
• Bước 4: Lấy dấu vân cho mỗi tài liệu. 
• Bước 5: So sánh và cho ra kết quả. 
3. ĐỘ ĐO TƯƠNG TỰ 
Hình 2. Mô hình không gian vector cho văn bản [7]. 
Văn bản thường được biểu diễn dưới dạng vector dựa theo mô hình tần suất [7] mà 
tiêu biểu là các phương pháp dựa trên tần số (TF) và nghịch đảo tần số (IDF). Hình 2 là ví 
dụ trong trường hợp biểu diễn văn bản với số Token là 2. Về mặt tổng quát, sô Token rất 
nhiều, ví dụ: Tổng số âm tiết (nếu dùng đặc trưng âm tiết), Tổng số từ (nếu dùng đặc 
trưng từ). 
108 TRNG I HC TH  H NI 
Có một số độ đo được sử dụng như: độ tương tự cosine (cosine similarity), hệ số 
Jaccard (Jaccard coeficient), khoảng cách Euclide(Euclideandistance), hệ số tương quan 
Pearson (Pearson Correlation coeficient) [7]... Trong bài báo này, chúng tôi xem xét độ đo 
khoảng cách Euclide được biểu diễn theo công thức sau đây (1): 
4. THUẬT TOÁN PHÂN CỤM DỮ LIỆU 
Khi cơ sở dữ liệu văn bản rất lớn, việc tra cứu trên toàn bộ kho văn bản khiến tốc độ 
thực thi rất chậm. Vì vậy, người ta có thể tiến hành cụm kho văn bản trước để tăng tốc độ 
tra cứu. Ngoài ra, kĩ thuật phân cụm còn được sử dụng để hỗ trợ phân lớp kho dữ liệu 
văn bản. 
Thuật toán KMeans [10] bao gồm 4 bước, được trình bày như sau: 
Đầu vào: n đối tượng xi với i = 1..n và số cụm c 
Đầu ra: Các cụm Cj (j = 1..c) sao cho hàm mục tiêu E sau đây đạt cực tiểu: 
 (1) 
Các bước thuật toán như sau: 
Bước 1: Khởi tạo 
Chọn k đối tượng Cj (j=1..c) là tâm ban đầu của c cụm dữ liệu đầu vào (lựa chọn ngẫu 
nhiên hoặc theo kinh nghiệm). 
Bước 2: Gán tâm cụm theo khoảng cách 
Với mỗi đối tượng xi (i = 1..n), tính khoảng cách của nó tới mỗi tâm Cj với j = 1..c. 
Đối tượng thuộc về cụm CS mà khoảng cách từ tâm CS tương ứng đến đối tượng đó là 
nhỏ nhất. 
 (2) 
Bước 3: Cập nhật tâm cụm 
Đối với mỗi j = 1c, cập nhật lại tâm cụm Cj bằng cách xác định trung bình cộng của 
các vector đối tượng dữ liệu đã được gán về cụm. 
 (3) 
Bước 4: Lặp và kiểm tra điều kiện dừng 
Lặp lại các bước 2 và 3 cho đến khi các tâm cụm không thay đổi giữa hai lần lặp 
liên tiếp. 
TP CH KHOA HC − S
 8/2016 109 
Trong đó: 
• : khoảng cách từ x đến tâm Cj 
• : thành phần thứ k của tâm cụm Cj 
• : thành phần thứ k của đối tượng x 
5. ĐỀ XUẤT ĐỘ ĐO TƯƠNG TỰ CẢI TIẾN 
Hiện tại, các độ đo tương tự đều đánh giá các đặc trưng có vai trò như nhau và chỉ dựa 
vào tần suất để phân biệt giá trị đặc trưng theo từng văn bản cụ thể. Nếu chỉ sử dụng đặc 
trưng rmức âm tiết – đơn vị đặc trưng không có nghĩa thì không sao. Tuy nhiên, nếu sử 
dụng đặc trưng mức từ, điều này là không hợp lí. Lí do là vì các từ thông thường sẽ được 
sử dụng nhiều hơn so với tên riêng, tên người, con số nên khả năng lặp lại cao hơn rất 
nhiều. Hay chữ viết tắt có khả năng lặp lại rất thấp trong các văn bản. Nói cách khác, xét 
về khả năng lặp lại thì các từ thông thường có ảnh hưởng lớn nhất còn các chữ viết tắt ảnh 
hưởng ít nhất. Như vậy, nếu chúng ta phân hạng đặc trưng theo các mức khác nhau thì có 
thể đánh giá độ tương tự văn bản chính xác hơn. 
Từ đây, nhóm tác giả đề xuất tập luật để xác định mức độ ảnh hưởng của các loại đặc 
trưng như sau: 
1) Nếu đặc trưng là Từ thông thường thì ảnh hưởng rất lớn. 
2) Nếu đặc trưng là Tên riêng thì ảnh hưởng lớn. 
3) Nếu đặc trưng là Tên người hoặc tên thực thể thì ảnh hưởng trung bình. 
4) Nếu đặc trưng là Phần trăm hoặc Số thì ảnh hưởng nhỏ. 
5) Nếu đặc trưng là Chữ viết tắt thì ảnh hưởng rất nhỏ. 
Gọi là đặc trưng thứ i, hàm ảnh hưởng theo loại đặc trưng của đặc trưng là 
. Khi này, công thức đo độ tương tự (1) cải tiến trở thành (2): 
6. THỰC NGHIỆM 
Độ đo tương tự văn bản được ứng dụng trong vấn đề tra cứu văn bản trùng lặp. Cụ thể, 
cơ sở dữ liệu nhóm tác giả sử dụng bao gồm danh sách trên 500 bài báo (tên, tóm tắt). Với 
bài báo mới, hệ thống thực hiện việc so sánh độ tương tự của phần tóm tắt với các bài báo 
trong cơ sở dữ liệu. Từ đây, hệ thống thực hiện việc phân cụm kho văn bản. Trong giai 
đoạn tra cứu, hệ thống đưa ra danh sách 5 bài báo có độ tương tự cao nhất từ các cụm. Hệ 
thống đưa ra hai cách thức tìm văn bản trùng lặp. Trường hợp 1, khi số lượng văn bản 
trong kho không quá nhiều, có thể duyệt toàn bộ văn bản và so sánh độ tương tự với văn 
110 TRNG I HC TH  H NI 
bản đầu vào. Trường hợp 2, số lượng văn bản trong kho quá lớn, giai đoạn tra cứu chia làm 
hai bước. Bước 1, hệ thống thực hiện so sánh độ tương tự của văn bản đầu vào với các cụm 
dữ liệu trong kho văn bản. Bước 2, từ các cụm gần nhất, hệ thống so sánh văn bản đầu vào 
với các văn bản thuộc cụm này. 
Trong thử nghiệm của chúng tôi, để rút trích được đặc trưng mức từ và phân biệt loại 
đặc trưng như trên, chúng tôi sử dụng công cụ phân tích đoạn văn "vn.hus.nlp.tokenizer" 
của nhóm nghiên cứu TS. Lê Hồng Phương. 
6.1. Thử nghiệm đo độ tương tự hai văn bản 
Hình 3. So sánh hai văn bản khác nhau 
Hình 5. So sánh cùng một văn bản 
TP CH KHOA HC − S
 8/2016 111 
6.2. Đánh giá chất lượng phân cụm kho văn bản 
Để đánh giá chất lượng phân cụm, trong [11], các tác giả đã sử dụng chỉ số F(I) [13], 
tuân theo các tiêu chí về sự đồng nhất cụm [11] [12], để so sánh kết quả phân cụm của các 
thuật toán. Giá trị của F(I) càng nhỏ thì độ đồng nhất càng cao. Chỉ số này được tính 
như sau: 
 (8) 
Bảng 1 và hình 6 thống kê chỉ số so sánh chất lượng phân cụm văn bản trong các 
trường hợp dùng và không dùng trọng số mờ trong các trường hợp 3, 5, 6 và 8 cụm. 
Bảng 1. So sánh độ đồng nhất cụm 
 3 5 6 8 
Not Fuzzy 0.00303 0.00485 0.00521 0.0072 
Fuzzy 0.0016 0.00266 0.00316 0.00415 
Hình 6. So sánh độ đồng nhất cụm văn bản 
6.3. Tra cứu văn bản tương tự 
a) Thử nghiệm 1 
Bảng 1. Văn bản đầu vào thử nghiệm 1 
Tên Tóm tắt 
Nghiên cứu hành vi xã 
hội, trí nhớ và học tập 
trên động vật thực 
nghiệm được tiêm thuốc 
gây bệnh tâm thần phân 
liệt 
Đánh giá hoạt động vận động, tương tác xã hội, trí nhớ không gian của 
chuột nhắt chủng Swiss trước và sau khi tiêm ketamine trường diễn với 
dải liều từ 10 - 35 mg/kg/ngày; Xây dựng mô hình gây bệnh TTPL 
thực nghiệm bằng liều ketamine phù hợp, sau đó điều trị bằng các 
thuốc chống loạn thần. Đánh giá sự biến đổi hành vi, trí nhớ và học tập 
của động vật trước và sau khi điều trị. 
112 TRNG I HC TH  H NI 
Bảng 2. Kết quả tìm kiếm với thử nghiệm 1 trong cở sở dữ liệu. 
Tên Độ tương tự 
Nghiên cứu hành vi xã hội, trí nhớ và học tập trên động vật thực nghiệm được 
tiêm thuốc gây bệnh tâm thần phân liệt 
100% 
Nghiên cứu, ứng dụng hệ thống thông tin địa lí (GIS) và mô hình SWAT để dự 
báo lưu lượng dòng chảy và xói mòn đất tại tiểu lưu vực sông Ôn Lương - Hợp 
Thành. 
71% 
Nghiên cứu ảnh hưởng của mật độ trồng đến năng suất và chất lượng giống sắn 
mới HL2004-28 tại trường Đại học Nông Lâm Thái Nguyên 
71% 
Nghiên cứu vi sinh vật ứng dụng cho sản xuất biogas làm tăng hiệu suất trong 
điều kiện môi trường nước lợ và nước mặn 
70% 
Phần mềm ôn luyện A 2 và IC 3 trực tuyến 70% 
b) Thử nghiệm 2 
Bảng 3. Văn bản đầu vào thử nghiệm 2 
Tên Tóm tắt 
Tác động của biến đổi khí 
hậu đến hạn hán khu vực 
Nam Trung Bộ Việt Nam, 
khả năng dự tính và giải pháp 
ứng phó 
Tổng quan về tình hình hạn hán và các nghiên cứu về hạn hán, dự 
tính hạn hán theo các kịch bản phát thải khí nhà kính; Thử nghiệm, 
lựa chọn chỉ số hạn khí tượng phù hợp, từ đó xác định mức độ biến 
đổi của hạn hán khu vực Nam Trung Bộ trong quá khứ, xu thế biến 
đổi trong tương lai theo các kịch bản phát thải khí nhà kính và đề 
xuất giải pháp ứng phó. 
Bảng 2. Kết quả tìm kiếm với thử nghiệm 2 trong cở sở dữ liệu 
Tên Độ tương tự 
Tác động của biến đổi khí hậu đến hạn hán khu vực Nam Trung Bộ Việt Nam, 
khả năng dự tính và giải pháp ứng phó 
100% 
Phân tích đặc điểm địa hoá và thạch học của đá mẹ than và sét than trầm tích 
miocen khu vực phía bắc bể trầm tích sông Hồng 
71% 
Nghiên cứu, ứng dụng hệ thống thông tin địa lí (GIS) và mô hình SWAT để dự 
báo lưu lượng dòng chảy và xói mòn đất tại tiểu lưu vực sông Ôn Lương - Hợp 
Thành. 
70% 
Nghiên cứu vi sinh vật ứng dụng cho sản xuất biogas làm tăng hiệu suất trong 
điều kiện môi trường nước lợ và nước mặn 
70% 
Xác lập cơ sở khoa học phục vụ quy hoạch bảo vệ môi trường huyện phú lộc 
tỉnh thừa thiên huế 
70% 
TP CH KHOA HC − S
 8/2016 113 
c) Thử nghiệm 3 
Bảng 4. Văn bản đầu vào thử nghiệm 3 
Tên Tóm tắt 
Nâng cao năng lực 
tài chính của các 
ngân hàng thương 
mại cổ phần ở Việt 
Nam hiện nay 
Hệ thống hoá và hoàn thiện hơn những lí luận cơ bản về năng lực tài chính 
của NHTM như đưa ra quan điểm về tài chính, năng lực tài chính NHTM. 
Đặc biệt luận án đã chú trọng vào việc phân tích cơ sở để dẫn giải đưa đến 
nội dung trình bày về lí luận năng lực tài chính của NHTM; Phân tích rõ 
hơn cơ sở và ý nghĩa của các tiêu chí đánh giá năng lực tài chính NHTM, 
đồng thời cách tiếp cận khi phân tích các nhân tố ảnh hưởng cũng thể hiện 
tính logic và hệ thống với các giải pháp; Trên cơ sở nghiên cứu kinh 
nghiệm nâng cao năng lực tài chính của ngân hàng một số nước trên thế 
giới, chỉ ra căn nguyên chính dẫn đến những yếu kém về năng lực tài chính 
ngân hàng là tình trạng tăng trưởng tín dụng nóng và phát triển thiếu bền 
vững. Mặt khác, để nâng cao năng lực tài chính của các NHTM thì ngoài 
những nỗ lực của chính các NHTM còn rất cần nhưng hỗ trợ từ phía Ngân 
hàng Trung ương và Chính Phủ. Đây cũng chính là những bài học cần thiết 
trong việc nâng cao năng lực tài chính của các NHTMCP Việt Nam. 
Bảng 2. Kết quả tìm kiếm với thử nghiệm 1 trong cở sở dữ liệu 
Tên Độ tương tự 
Nâng cao năng lực tài chính của các ngân hàng thương mại cổ phần ở Việt Nam 
hiện nay 
100% 
Hoàn thiện công tác lập và trình bày báo cáo tài chính hợp nhất trong các doanh 
nghiệp sản xuất thép thuộc Hiệp hội Thép Việt Nam 
46% 
Quản trị rủi ro tài chính của doanh nghiệp Việt Nam 46% 
Phân tích đặc điểm địa hoá và thạch học của đá mẹ than và sét than trầm tích 
miocen khu vực phía bắc bể trầm tích sông Hồng 
45% 
Một thuật toán phân cụm K-Means tăng cường cho phân đoạn ảnh đa phổ không 
giám sát 
45% 
7. KẾT LUẬN 
Trong bài báo này, chúng tôi đã đề xuất cải tiến độ đo tương tự giữa hai văn bản dựa 
trên luật mờ. Luật mờ được xây dựng để sinh ra trọng số ảnh hưởng theo loại đặc trưng. 
Kết quả cho thấy độ đo cải tiến áp dụng tốt cho việc so sánh văn bản tiếng Việt. Ngoài ra, 
chúng tôi áp dụng độ đo cải tiến trong việc tìm kiếm văn bản trùng lặp. 
Trong nghiên cứu tiếp theo, chúng tôi dự kiến phân tích nghiên cứu sâu hơn về vai trò, 
vị trí của đặc trưng trong câu để đưa ra mức độ ảnh hưởng theo ngữ cảnh cụ thể. 
114 TRNG I HC TH  H NI 
TÀI LIỆU THAM KHẢO 
1. A.Z. Broder, S.C. Glassman, M.S. Manasse, G. Zweig (1997), "Syntactic Clustering of the 
Web", Computer Network. 
2. E. Uyar (2009), Near-duplicate news detection using name entities. 
3. M.A. Hearst (2006), "Clustering versus faceted categories for information exploration", In 
Communications of the ACM. 
4. Muneer K., Syed Farook K (2014), "An Innovative Approach for Clustering of Web Pages 
Based on Transduction", International Journal of Advanced Research in Computer Science & 
Technology IJARCST, Vol. 2, Issue 3, pp. 241-244. 
5. Xuemin Lin Chuan Xiao (2008), "Efficient similarity joins for near duplicate detection", In 
17th International conference on World Wide Web. 
6. Phạm Kim Hồng (2013), Phát hiện sự trùng lặp nội dung của các bài báo, Luận văn Thạc sĩ. 
7. Lê Mạnh Hùng (2012), Tra cứu văn bản tiếng Việt dựa trên kĩ thuật phân cụm, Luận văn Thạc 
sĩ. 
8. Dương Thăng Long, Báo cáo đề tài nghiên cứu: Nghiên cứu độ đo tương tự trong văn bản 
tiếng Việt và ứng dụng đánh giá việc sao chép bài điện tử. 
9. Nguyễn Tuấn Anh (2009), Phát hiện trùng lặp văn bản và và xây dựng chỉ mục hiệu quả cho 
WebCrawler, Luận văn Thạc sĩ. 
10.  =KMeans.clustering. 
11. Valliammal N., S.N.Geethalakshmi (2012), "Leaf Image Segmentation Based On the 
Combination of Wavelet Transform and K Means Clustering", International Journal of 
Advanced Research in Artificial Intelligence, Vol. 1, No.3. 
12. R. H. Haralick, and L. G. Shapiro (1985), "Image segmentations techniques", Computer Vision 
Graphics Image Processing 29, pp.100-132. 
13. J. Liu, and Y. H. Yang (1994), "Multiresolution color image segmentation", IEEE 
Transactions on Pattern Analysis and Machine Intelligence, vol.16, no.7, pp.689-700. 
AN APPROACH TO ASSESS DUPLICATION LEVEL OF TEXT 
USING FUZZY WEIGHT 
Abstract: Content duplication of text is a common issue of newspapers, news websites 
and publications. Duplication detecting is essential. Essence of this work is checking the 
similarity of documents. However, this is the complex problem and being interested in 
research. Presently, there are many researching methods to solve this problem. In this 
paper, we propose an improvement of similarity measure, which is based on fuzzy logic 
and applied it in duplication detecting of article content. 
Keywords: Text, duplication detecting, similarity measure