第一次编程作业：论文查重。
一：GitHub链接：https://github.com/031804120/031804120
二：计算模块接口的设计与实现过程：
·总流程图：
类和函数：
class Similarity():
`def vector(self):`
`def mix(self):`
`def mapminmax(vdict):`
`def similar(self):`
·实现过程：
大致的实现过程就是，先用open打开读取文件，然后再用jieba.analyse对文档进行分词，得到如['今天', '天气', '非常', ‘的’，'晴朗']的两个字符串数组。而后对得到的分词后的数组计算词频，得到相应的向量。再根据向量矩阵进行余弦相似度计算，从而得到文本相似度。
·算法的关键：
最主要的应该是余弦相似度的计算：
余弦相似度计算理论的主要的参考资料：http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html
刚开始是因为好像大部分资料都调用了停词表文档，然后我也就按照调用外部文档的方式进行分词，然后一看要求，不行……那行吧，就得重新搞了。所以就用了基于VSM的余弦相似度计算，将代码差不多重新修整一遍了。
余弦计算文本相似度：
例句：
- 例句A：今天天气非常的晴朗。
- 例句B：今天天气格外的明媚。
第一步：分词。
A: 今天/天气/非常/的/晴朗。
B：今天/天气/格外/的/明媚。
第二步：列出所有的词、字，并计算词频
例句A：今天1，天气1，非常1，的1，晴朗1，格外0，明媚0。
例句B：今天1，天气1，格外1，的1，明媚1，非常0，晴朗0.
然后根据这个描述词频向量
第三步：计算夹角余弦
利用公式，我们可以得到，例句A与例句B的夹角的余弦。
余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫”余弦相似性”。
余弦定理：
假定a向量是[x1, y1]，b向量是[x2, y2]，那么可以将余弦定理改写成下面的形式：
余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量，A是 [A1, A2, ..., An] ，B是 [B1, B2, ..., Bn] ，则A与B的夹角θ的余弦等于：
但同样的用这个方法也有需要注意的事项：
由于计算中打乱了关键词出现的顺序，所以即使夹角余弦的值为1，也有可能文本并不重复。
三：计算模块接口部分的性能改进：
四：计算模块部分单元测试展示
剩下的跟这个也差不多，就是文件名之类的改一下而已。
跑完后，得到的结果大概是这样的。
覆盖率的话，是这样的：
本来是用python自带的，后面换成pycharm，重新建file时名字错乱了（累得不想改了）。
unit_Test就是测试。
五：计算模块部分异常处理说明
异常处理：
测试样例：
六：附录
PSP：
七：总结
· 这次作业有难度啊，肝了好几个晚上啊。不过总体下来的收获应该还是可以的。