détection du plagiat sémentique multilingue pour les documents arabes

Abstract

Le plagiat multilingue fait référence à la réutilisation non reconnue d'un texte impliquant sa traduction d'une langue naturelle à une autre, sans référence appropriée à la source d'origine. L'un des problèmes courants du traitement des données réside dans l'efficacité de la comparaison de textes volumineux. Dans un cas d'une similarité sémantique floue, la complexité des langages naturels (en particulier l'Arabe), et le nombre croissant de publications, contribuent à l’augmentation du taux de documents suspects sources de plagiat. CLP (Cross-Language Plagiarism) est un processus plus compliqué que le plagiat monolingue. CLP est plus qu'une copie munie d'une traduction, c’est un changement sérieux du texte traduit sans indication de la source. Par conséquent, le processus de détection révèle le besoin des analyses et des techniques compliquées pour découvrir des pratiques malhonnêtes de plagiat caché dans des documents arabes traduits de sources anglaises ou françaises. Dans cette thèse, nous proposons un système de détection de plagiat multilingue sémantique. D’abord on a construit un système de détection du plagiat multilingue CLPD (Cross-Language Plagiarism Detection) basé sur la similarité sémantique en utilisant WordNet. Puis, pour une analyse plus profonde des cas de plagiat multilingue, le système a été étendu en une similarité sémantique basée sur la théorie des ensembles flous. Ensuite, le travail est parallélisé en utilisant Apache Hadoop avec le système de fichiers HDFS et le modèle de programmation MapReduce, pour gérer les grandes masses d'informations et le nombre important d'opérations et des calculs faites dans un tel système.