文本相似度对比
文本相似度对比是一个免费在线工具：把两段中文或英文文字分别粘贴进左右两个框，立刻算出双向重复率，附编辑距离、Jaccard 和余弦三个相似度指标，并把两边重复的片段标出来。比较前可忽略标点、空格、大小写和全半角差异。全部在浏览器本地计算，文字不上传；它只比较你给的两段文字，不能代替知网等论文查重系统。
尚未输入
尚未输入
两段文字只在你的浏览器里比较，不会上传
在左右两边各粘贴一段文字，自动计算相似度
如何使用文本相似度对比
把第一段文字粘贴进「文本 A」，或拖入 .txt / .md / .csv / .srt 等纯文本文件；想先看效果就点「填入示例」。
把第二段文字粘贴进「文本 B」，两边都有内容后会自动开始比较。
按需调整比较选项：是否忽略标点、空格换行、英文大小写和全半角差异，最短重复长度选 4 字、8 字或 13 字。
看结果卡里的两个重复率、三个相似度指标和结论，往下看重复片段高亮与片段列表；点「复制结果」得到一份不含原文的纯文本报告。
关于文本相似度对比的常见问题
- 文本相似度对比会上传我的文字吗？
- 不会。两段文字只在你的浏览器里用 JavaScript 计算，不发送到任何服务器，也不写入本地存储，关闭或刷新页面就清空了。「复制结果」生成的报告里也只有数字，不含两段原文。
- 文本相似度对比能代替知网论文查重吗？
- 不能。知网、维普、万方这类系统是拿你的文章去和它们的海量文献库比；本工具只比较你自己贴进来的两段文字，适合自查两篇稿子之间有多像，不能用来预估论文在查重系统里的结果。
- 文本重复率为什么 A 和 B 两个数不一样？
- 因为分母不同。A 在 B 中的重复率是 A 里重复的字数除以 A 的总字数，B 在 A 中的重复率除的是 B 的总字数。一段短文整段抄进一篇长文时，短文的重复率接近百分之百，长文的却很低，两个数都看才不会误判。
- 文本相似度对比里最短重复长度选 4、8 还是 13？
- 短文案、标题选 4 字；一般稿件用默认的 8 字，约等于一个短分句；论文章节、长稿可以选 13 字，这是常被提到的长文口径。档位越小越容易把常用四字短语也算成重复，结果越高。
- 编辑距离、Jaccard 和余弦相似度有什么区别？
- 编辑距离看把一段逐字改成另一段要改多少字，对语序和增删最敏感；Jaccard 只看两段用到的相邻两字组合有多少重合；余弦还考虑每个组合出现了几次，对两段长度差异不敏感。
- 意思一样但换了说法，文本相似度为什么很低？
- 本工具只认字面相同，不做语义理解。同义词替换、调换语序、换一种说法表达同一个意思，在这里都会被算成不同，所以它适合查原样照搬，不适合判断两段话意思是否相同。
- 手机上能用文本相似度对比吗？
- 能。手机浏览器打开页面即可粘贴两段文字比较，窄屏下左右两栏会上下排列；计算都在手机本地完成，不消耗流量上传文字。
- 文本相似度对比最多能比多长的文字？
- 每一段最多 20 万字，约一百多页 A4 纸。超过上限会在对应的栏下提示，请把长文拆成章节分段比较。两段都很长时，编辑距离的计算量太大会自动跳过，其余指标照常给出。
- 文本相似度对比会把繁体和简体当成一样吗？
- 不会，繁体字和简体字在这里算不同的字。要比较一篇繁体稿和一篇简体稿，请先用简繁转换工具把两段统一成同一种字形，再贴进来比较。
文本相似度的四个指标怎么看
文本相似度检测没有唯一的标准答案，不同的算法回答的是不同的问题。作为一个文本相似度在线工具，本页对两段文字相似度给出四个字面指标——重复率在线估算之外，还能顺手完成编辑距离相似度、Jaccard 相似度与余弦相似度在线计算。每个指标都写明了怎么算，看到一个百分比时先确认它是哪一种：
| 指标 | 怎么算 | 什么时候看它 |
|---|---|---|
| 重复率 | 连续 N 个字在另一段里也出现过，就算一处重复；重复的字数 ÷ 本段参与比较的字数。 | 想知道一段文字有多少内容来自另一段时看它，是本页的主指标。 |
| 编辑距离相似度 | 1 − 把一段逐字改成另一段最少要改的字数 ÷ 较长一段的字数。 | 对比改写前后的同一篇稿子，看改动幅度有多大。 |
| Jaccard 相似度 | 两段各自拆成相邻两字的组合，共有的组合数 ÷ 两段合起来的组合数。 | 只关心用词有没有重合、不在乎重复几次和顺序时看它。 |
| 余弦相似度 | 按相邻两字组合的出现次数，把两段看成两个向量，算夹角的余弦。 | 两段长度差得很多时看它，它对篇幅不敏感，更看用词比例。 |
对照例子：把「早睡早起是很多人都知道的好习惯。」和它连写三遍的段落比较，A 在 B 中的重复率是 100.0%，Jaccard 相似度是 93.3%，余弦相似度是 98.4%——用词几乎没变，只多了首尾相接处的一个组合；而编辑距离相似度只有 33.3%，因为要删掉两遍才能变回原样。所以想看「改动幅度」时看编辑距离，想看「用词重合」时看 Jaccard 和余弦。
以页面上的「填入示例」为例（两段讲早睡早起的改写稿），默认 8 字档下 A 在 B 中的重复率是 58.2%，B 在 A 中的重复率是 55.4%，编辑距离相似度 62.7%，Jaccard 相似度 53.9%，余弦相似度 71.1%，结论为「部分相似（本工具口径）」。换不同的最短重复长度，同一对文本的重复率会这样变化：
- 4 字：A 在 B 中 70.9%，B 在 A 中 67.5%。适合标题、短句和百字以内的短文案；长文里常用四字短语也会被算作重复，结果偏高。
- 8 字：A 在 B 中 58.2%，B 在 A 中 55.4%。默认档，约等于一个短分句，短文案和长稿都适用。
- 13 字：A 在 B 中 43.0%，B 在 A 中 41.0%。「连续 13 字相同」是常被提到的长文口径，适合论文章节、长稿；百字以内的短文几乎总是 0。
为什么文本重复率有两个数
很多在线工具只给一个重复率，但两篇文章重复率其实要分方向看。文本重复率怎么算？本页的算法是：在一段文字里滑动一个长度为 N 字的窗口，只要这 N 个字在另一段里也连续出现过，窗口里的字就算「重复」；最后用重复的字数除以这一段参与比较的总字数。
分母不同，两个数就不同。比如把示例 A 的第一句「早睡早起是很多人都知道的好习惯，可真正坚持下来的人并不多。」单独拿出来和整段示例 A 比：短的那段在长段中的重复率是 100.0%，长段在短段中的重复率只有 34.2%。前者说明「短文整句来自长文」，后者说明「长文里只有一小部分是这句」，两个结论都对。结论档位按两个数中较大的那个来定，档位阈值是本工具口径，不对应任何查重系统的标准。
比较的单位是「字」：一个汉字、一个英文字母、一个数字或一个 emoji 各算 1 个。开着「忽略标点符号」和「忽略空格与换行」时，标点和空白不参与计算，所以「参与比较」的字数会比 字数统计 给出的总字数少；零宽字符这类看不见的字符总是不参与比较。
文本相似度对比的适用场景
- 自查两篇稿子是否撞文：两个作者写同一主题，发稿前比一比段落相似度，避免大段雷同。
- 对比改写前后的变化：看编辑距离相似度判断改动幅度，看重复片段列表找出还没动过的原句。
- 文案查重对比：拿自己的文案和疑似搬运的文章比一比，初步判断两篇文案是否洗稿；这只是洗稿检测的第一步参考，结论还要人工看。
- 老师比对两份作业：两份作文或报告的文章相似度对比，高亮部分就是两人共有的句子。
要看两段文字具体哪里改了（逐行标出新增与删除），请用 文本对比；要看一篇文章里哪些词出现得最多，请用 词频统计。
英文语境下这类工具通常叫 text similarity checker 或 text similarity online，回答的都是「两段文字有多像」；表里的编辑距离英文叫 Levenshtein distance，另外两个指标分别是 Jaccard similarity 与 cosine similarity，搜这几个词找到的算法说明和本页是同一件事。要注意英文里的 plagiarism checker 多指连接文献库的论文查重服务，和本页只比两段文字不是一回事。