也就是翟天临翻车的那个网站，中国知网可以查重，检测你的论文和别人而相似度，也就能查到相似度论文内容了。而基于检索的方法中，就十分需要判别文本的相似度。目前如何能更好滴计算文档相似度是非常火的方向，也是市场的刚需，比如在信息检索、网页搜索、智能问答等系统中，很多功能的开发都需要基于文档的相似度计算。
如何才能找到论文相似度检测网站？
中国知网。也就是翟天临翻车的那个网站，中国知网可以查重，检测你的论文和别人而相似度，也就能查到相似度论文内容了。虽然你不能照抄，但是你可以多看看，看几十篇把当中重要的内容记笔记跟书签，这叫“借鉴”，完全是可以的，相当于你写论文查资料。综合了这些资料你再写一篇自己的论文，洗完之后一定要检查，和别人的相似度高不高，高的话赶紧改。
论文查重，哪个查重系统和知网最相近？
哪个查重系统和知网接近？答案是没有。为什么这么说呢，首先查重系统的判定重复的标准就不一样，一句话这个查重系统算重复了，到了知网就可能不算重复。其次，数据库也不同，不同系统的数据库不是共享的，可能这个系统有的文章，那个系统没有，你把这篇文章拿到另一个系统查它就不重复。所以查重系统不一样，之间没有可比性。
数据库要属知网最全，所以现在一般的学校都用知网查重，硕博士几乎全是知网查重。但是知网定稿查重一般比较贵，赶上毕业高峰期，本专科定稿系统一次就要100多甚至200，硕博的更是要300来块，一般学校只提供一次查重机会，对于学生来说确实是负担较重。那怎么办呢？知网好的就是有一个知网分解检测，便宜，10来块钱检测一次。
数据库与定稿系统只差1个，本科的是大学生联合对比库，硕博的是学术论文联合比对库。其他的都一样，只是这个检测字符数要少只有14000字符，本科的一般一个就可以，硕博的要3 4个。检测结果和定稿基本接近，用分解做初稿检测，然后再做修改会对你的毕业论文有很大帮助的。最后根据指导老师的意见做论文修改直至定稿，提交学校检测前用定稿系统检测一下，基本是OK的。
如何通过词向量技术来计算2个文档的相似度？
目前如何能更好滴计算文档相似度是非常火的方向，也是市场的刚需，比如在信息检索、网页搜索、智能问答等系统中，很多功能的开发都需要基于文档的相似度计算。在智能问答中，目前广泛应用的还是基于检索的方法。基于文本生成方式，生成的文本质量和效果可控性较差，还没有在工程中广泛使用。而基于检索的方法中，就十分需要判别文本的相似度。
比如在今年的中国计算语言学大会（CCL 2018）中的技术评测任务——客服领域用户意图分类，就是一个文本相似性的问题。在客服和用户对话系统的应用过程中，用户可能会有多种意图，相应地会触发客服和客户对话系统中的多个业务类型，业务类型包括查询类、办理类和咨询类三种，每个业务类型下涉及的用户意图有多种，例如查询类下有查询账单、查询积分等，办理类下有充值手机话费、重置密码等；咨询类下有咨询宽带故障、咨询宽带续费等。
因而，客服领域对话系统的一个关键任务就是正确地将用户的输入分类到相应业务类型下的具体意图（即识别出用户输入到对话系统执行某个动作之间的一个映射关系）中，从而达到识别和理解用户要表达的意图，帮助提高语言、语音导航系统的语义识别能力。目前基于词嵌入的低维稠密向量表示能比较好的表示词、段落、文档的语义和次序信息方法上：1）可利用word2vec能训练词的向量表示，在基于词的向量表示的基础上去表示文档向量。
2）可直接训练文档向量，词向量的提出者Tomas Mikolov在2014年也提出了Doc2vec（在word2vec的基础上），与Word2vec一样，Doc2Vec也有两种模型，分别为：Distributed Memory（DM）和Distributed Bag of Words（DBOW）。DM模型在给定上下文和文档向量的情况下预测单词的概率，DBOW模型在给定文档向量的情况下预测文档中一组随机单词的概率。
其中，在一个文档的训练过程中，文档向量共享（意味着在预测单词的概率时，都利用了本文档的语义）。Distributed Memory（DM）：Distributed Bag of Words（DBOW）3）此外还可以利用深度神经网络模型，比如以LSTM、biLSTM等结构为基础的模型训练文本向量，计算文本相似度。
