Nie chodzi mi tutaj o wyszukiwaniu w Google fragmentów ale o podanie
dwóch plików : źródłowego i wynikowego, źródłowych może być kilka,
zresztą wynikowych też.
I ma powiedzieć ile procent z tego jest plagiatu i wskazać te miejsca.
Do porównywania tekstów służy najdłuższy wspólny podciąg, ale tutaj jest
bezużyteczny.
Bo np. mam tekst, dzielę go na 5 bloków (rozdziałów), mieszam ich
kolejność i mam wynikowy plik.
Detektor powinien w takim wypadku powiedzieć że 100% tekstu jest
plagiatem, w jakiś sposób rozpoznając początki i końce bloku.
A teraz zmieniam jedno słowo w bloku; nie powinien traktować bloków jako
różne ale jako prawie podobne, mógłby też podzielić ten blok na dwa i
stwierdzić że skoro bloki 3 i 4 w jednym pliku występują jako 3 i 4 w
drugim w tej kolejności to jest to jeden blok z małą zmianą.
Ewentualne rozszerzenia to słownik synonimów, ale w języku polskim
trudność z uwagi na odmianę słów, zarówno słowo się odmieni jak i jego
synonim.