大家都知道大数据查重却很少知道查重的原理，当然很多人只关注好不好用，能不能用就行，其他的无所谓那不是自己要考虑的，交给商家考虑就行。但我还是来说说查重的原理，让大家对大数据查重有更深层次的了解，让有些对这方面有兴趣或者想自己制作查重的朋友更加清楚。

大数据查重，主要是看提交的论文，对照比较数据库的文章，综合查重的。不同的平台所对比度数据库是不同的，包括国内重要的论文数据库，专利论文数据库，重要的报纸数据库，该有的都会有，但是同样的论文内容收录太多反而会算重复率。其实查重的算法其实大同小异，总体相似度 = 相似字数 / 检测字数，相似字数一般用杰卡德相似系数，两个集合A和B的交集元素在A，B的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号J(A,B)表示。J(A,B)=|A交B|/|A并B|。杰卡德相似系数是衡量两个集合的相似度一种指标。但jaccard算法不适合协同过滤，因为在协同过滤中，评分是一个很关键的参考因素，而jaccard算法忽略了其中的评分环节。杰卡德相似度适合用于隐式反馈数据。例如，使用用户的收藏行为，计算用户之间的相似度，杰卡德相似度就适合来承担这个任务。

算法其实很简单，难的是要有自己的对比库，查重企业的对比库都是花了很多时间和金钱搭建的，如果想要自己企业也有查重服务，也没必要大费周章重新搭建数据库，这是很费事费力的，可以从其他企业连一个接口过来这样就可以使用他们的对比库了。

Tocheck致力于文本相似度检测技术的研究和开发，为企事业单位提供标书查重、项目申报/专利查重、员工论文查重、企业信息资产安全保护等多种服务。