Indonesian J ournal of Ele c trical Engin eering and  Computer Sci e nce   Vol. 1, No. 2,  February 20 1 6 , pp. 371 ~  374   DOI: 10.115 9 1 /ijeecs.v1.i2.pp37 1-3 7 4        371     Re cei v ed O c t ober 1 2 , 201 5; Revi se d Ja nuary 17, 20 1 6 ; Acce pted Janua ry 3 0 , 20 16   Semantic Similarity/Relatedness for Cross Language  Plagiarism Detection      Hanane Ezz i kouri*, Mohammed Erritali, Mohamed Oukessou  LMACS la borat or y ,  Math emati cs Departme n t,   F a cult y   of scie n ces an d techn i qu es Sulta n  Moul a y  S lima ne  Univers i t y  B eni -Mella l, Morocc o  *Corres p o ndi n g  author, e-ma i l : ezzikour iha n ane @gma il.co m      A b st r a ct   Genera lly utter ances i n  natur al lan g u a g e  are  hig h ly a m b i g uous, an d a u n iq ue inter p ret a tion ca n   usua lly be det ermine d only  by  taki ng into accou n t  the  c ontext i n  the  u tterance  occur r ed. Auto matic a ll y   deter mi nin g  th e correct s ens e of a  po lyse mo us w o rd  is a  co mp licat ed prob le m espec ially   in   multi lin gua l   corpus es. T h is paper  pre s ents an a p p licati on  pr og ramming  inte rface for several Se mant i c   Relat edn ess/Si mi larity metrics   me as uri ng se ma ntic  si mil a r i ty/distance  b e tw een multil in gua l w o rds  an d     conce p ts, in  or der to  use  it af ter for sent enc es a nd para g r aphs   in Cross Lan gu age   Pla g iaris m   Detecti o n   (CLPD); usi ng  W o rdNet for the Engl ish-F r en ch and  En gl ish - Arabic  multi l i n gua l pla g i a ris m  cases.     Ke y w ords : Sem a ntic sim i larit y , CLPD, Plagiarism .         Copy right  ©  2016 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Plagiari s m can be define d  as the reu s e of so m e o ne else’ s  ide a s,  re sult s,  o r  wo rd s   without a c kn owle dging  th e ori g inal  source . Cro ss-Lan gua ge  P l agiari s m De tection (CLPD)  con s i s ts in d i scrimin a ting sema ntically  sim ila r texts indep ende nt of the langu age s they are   written i n , wh en n o  referen c e to  the  orig inal  sou r ce i s  given.  CLPD ca se  takes p l ace  when  we  deal  with  una ckno wled ged  re use of  a te xt involvi ng its tran slation  from  one  lan g uage  to a not her  [1].   CLPD issu e  has a c qui red  pro nou nced  importa nc e la tely sin c e  se mantic  co nte n ts of  a  document  ca n be e a sily  and di scre etly plagiari z e d   throug h the  use  of tran slation (h uma n  or  machi n e - ba sed).   Arabi c is a Central Semiti c lang uage, i t  belong s to the Afro Asiat i c family, Arabic ha s   much  sp ecifi c ity whi c h m a ke s it very  different  from  other Ind o -E urop ean l ang uage s. Detecting  plagia r ism in  Arabi c do cu ments i s   part i cula rly a  ch a llenging  task  and it b e com e s  even h a rd er,  as t r an slatio n is often  a  fuzzy  process that  is ha rd to  se arch   for, be ca use  of the  com p lex  lingui stic  stru cture  of Ara b ic. In  spite of  the  fa ct  that  many re sea r che s  we re con d u c ted   on   plagia r ism d e tection in th e last de cad e s, t hose co nce r nin g  the  Arabic la ng uage text re main  quite limited and ad dre s se d esp e ci ally to monolin gua l plagiari s m.   Similarity is a  fundame n tal  and wi dely u s ed  con c e p t. An importa nt numbe r of si milarity  measures h a v e been prop ose d  in  the la st few years.   The  simila rit y  betwe en  two  subje c ts (e.g.:  A and  B) is rel a ted  to thei r  comm onality/differen c e s . The mo re  co mmonality/  di fferences th e y  share/have ,  the more/le s s  simila r they are. Whil e Semantic Simi larity Sema ntic  s i milarity (Ss) [2] refers  to s i milarit y   betwe en two  con c e p ts in  a taxonomy  su ch a s  th e Wo rd Net,  whe r e the i d ea of Sema ntic   simila rity betwee n  them i s  ba se d on  the like nes s  of their me a n ing o r  sem antic  conte n t as  oppo se d to  simila rity whi c h  ca n be  e s timated  re g a rdin g  thei r syntacti cal re pre s entatio n [3].  Semantic  sim ilarity is often confu s ed wit h  se ma ntic re latedne ss, wh ere the secon d  one incl ude s  any relatio n  betwe en two  terms. Fo r  example, “c a r” an d “b us” are  similar i n  that they are   con n e c ted via a relation  with “vehicle ” , but is only rel a ted to “ro ad” and “d riving”.   Natural lan g u age utteran c es a r e, in g e neral, hi ghly  ambigu ou s, b e ca use of the  multiple   possibl e me a n ing o r   sen s es th at wo rd s may  have  (polysem ou s)  or m a lap r opi sm  whi c h i s  t he  confo undi ng of an intende d word with a nother  wo rd  of similar  sou nd or si milar  spelli ng that has  a quite different and mala prop os m eani ng, and in terpretation  can  generally be  determin ed  only  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  1, No. 2, February 201 6 :  371 – 374   372 by takin g  i n to a c count  the  co nte x t in  which the  utterance o c cu rred. Howeve r,  algorith m s/p r ogra m s d o  no t have the benefit of  human’s vast expe rien ce of the langu age.   The  step s o f  Cro s s-L ang uage Pla g ia rism  De te ction  proce s s were defined by  [4],  authors put u p  some  strate gies of he uri s tic retr ieval a nd evaluate t he perfo rma n c e of the mod e ls  for the detail ed analy s is.  Although ma ny studie s   were di re cted  on plagi ari s m  detection i n   the  last years, those  con c e r ni ng the Arabi c langua ge te xt remain qui te limited. Works in thi s  a r ea   are th ose of  Alzah r ani  et  al. [5], Menai  et al. [6] an d othe rs [7,  8]. All of the m  add re ssed  the   monolin gual  external ap proach.   N. Abdul  Jal eel, et al. [9] works  on  static al tran slit eration fo r E nglish-Arabi c Cro s s   Lang uage Inf o rmatio n retri e val (CLIR),  authors  wo rked with n - gram model a nd evaluate t h e   statistically-trained m odel  and a  simpl e r hand -crafted   model o n  a t e st set of na med entitie s from   the Ara b ic A F P-Co rp us a nd de mon s trate that  the y  perfo rm b e tter than  o n line tran slat ion  sou r c e s.    Imene Ben s alem a nd al.  [10] Wo rk  on Ara b ic in trinsi c pl agia r ism  dete c tio n . They  pre s ente d  a  set of p r elimi nary expe rim ents o n  in tri n sic  plagi ari s m  detectio n  in  Arabi c text using   Stylysis tool  and a  sm all  corpu s . Thei r app roa c h  co nsi s ts in  testi ng whethe r  some la ngua g e - indep ende nt  stylistic featu r es ar e effect ive or n o t to discrimi nate  betwe en pl ag iarized a nd n o t  plagia r ized  senten ce s, the  re sult s th ey found i s  th at a v erage  word  length a nd  averag e  sente n c e  length are not  reliable  stylistic  discrimi nat or of Arabi c text.      2. Used Me tr ics  2.1. HSO [11 ]   A malapropi sm can b e  def ined a s  a correctly  spelle d  word un suita b le with the  context  whe r e it is used, becau se it is may a spelli ng erro r of another inte nded word. The dete c tion of   malap r opi sm s relie d, on a big quantit y, on lexica l chain s  presenting wo rd s of a seman t ic  contin uity.  Hirst&Ong e  fixed a mecha n ism that ge nerate s   spelli ng re pla c eme n ts that ca n  be used   to gene rate  repla c eme n t candid a tes fo r a mala pr o p ism, basi ng the i r argum ents  on the fa ct th at  words that  ca nnot b e  u s e d  with  othe r  word s  ca n   b e  consi dered as potential  m a l apro p isms. T h e   prop osed alg o rithm u s e s  the Wo rd Net  thesa u ru s  to  automatically quantify se mantic relatio n s  betwe en  wo rds, in  Word Net, a word  m a y have o ne  to many  synset, each  corresp ondi ng to  a  different mea n ing. Wh en  we loo k  for  a  relation b e twee n two diff erent  words,  we con s ide r   the   synsets of al l the sen s e s  of each wo rd, look i ng for a po ssi bl e con n e c tion  betwee n  so me   meanin g s of the two word.     2.2. Lesk [1 2 ]   Wo rd sen s e  disam b igu a tion is the task of  identifying the intende d meanin g  of a given   target  word from the  conte x t in which it  is u s ed. In  Wo rdNet ea ch co ncept (or wo rd  sen s e )  is  defined  by a  sho r t glo ss.  A supe r-glo s s of a  con c e p t is an  expa nded  glo ss t hat co ncaten ate   other glo s se s that are co nn ected to it via some  WordNet relation.   The Adapte d  Lesk m e a s ure was  d e velope d  to overcome t he problem  of sho r t  definitions in most dictionary, which was an inte rest to (Le sk, 198 6 )  whe n  he prese n t the notion  of involving definition overl aps fo r wo rd  sen s e di sam b iguatio n. In the A-Le sk m easure,  simil a rity  betwe en two  word se nses  (co n cepts) attributed by  fin d ing an d scoring interse c tions b e twe en  the  glosse s of two co ncepts.  The bi gge r n u mbe r  of inte rse c tion  glo s s word is, in d i cate s a  stro n ger  relation, the b i gger  simila rity value betwe en two con c e p ts.    2.3. LCH [13 ]   The LCH si mi larity/related n e ss mea s u r e  (Lea co ck and  Chod oro w ) is:         l o g  ∗   Whe r e:     Length i s  the length of the sho r test path  bet we en the two syn s et s (u sing n ode -co unting)      D is the maxi mum depth of  the taxonomy  Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Sem antic Sim ilarity/Relat edne ss for Cross Lan gu a g e  Plagiari s m  Dete ction (Ha n ane Ezzi kou r i)  373 LCH me asure is very  sen s itive to the   pre s en ce   o r  absen ce of  a   uniq u e root node,  i s   very se nsitive  to the  pre s e n ce  or ab se n c e  of  a  uniqu e ro ot no de  b e ca use it  con s ide r  the  de p t h   of the taxonomy in which t he syn s ets a r e found.     2.4. LIN [3]  The LIN  simil a rity measure  is:    v   2           Whe r e IC(x) i s  the inform ation co ntent  of x, And LIN similarity verify  0 ≤   ≤ 1    If there is  a n y lack of d a ta or th e in format ion  co ntent of any  of either  co nce p t1 o r   con c e p t2 is0,  then 0 is retu rned a s  the si milarity score .     2.5. WUP [1 4 ]   The WUP si milarity/relate dne ss me asu r e (Wu & Palmer) i s :     v  2             Whe r e the d epths of the t w o syn s et s in the  Wo rd Net taxonomie s, along  with  the depth of the   LCS (L ea st Common Sub s umer (LCS ).      3. Applicatio n   The Sem anti c   Relate dne ss/Similarity calcul us  process i s  divide d into  a nu mber of   smalle r sub - t a sks, ea ch of  whi c h  i s  usin g  me t r ic s of   relat e d nes s/ simil a rit y .  E a ch of   t he  seq uential   su b-tasks or ste p s acce pts d a ta  from   a  previous sta g e,  perf o rm s a  transfo rmatio n on   the data, an d then p a sses o n  the  pro c e s sed d a ta structu r e s  to the n e x t step. In the  developm ent  of ou r  syste m , we  did  u s e some  Sem antic  Rel a ted ness/Similarit y  algo rithms that  exist the java API WordNet Simila rity for Java (WS4J )   with  s o me  modific a tion  to makes  them   suitabl e for Arabi c.          Figure 1. A generalized proce s s for Ara b ic /Engli s h semantic  simil a rity measure       3.1.    Pre-proce s s ing  Some optio n a l pre - p r o c e s sing  sh ould b e  perfo rme d   on the d a ta structu r e s  ent ered  by  the u s e r . Thi s   woul d in clu de ta sks  su ch a s  d ealin g  with  “Ha r kat/Tash k e e l” fro m  the  user i n put,  whi c h is the  pro c e ss  of re moving it fro m  t he Arabi c con c ept s, b a se d on he uristics and  so me   algorith m s.     3.2. Translite r ati on  We have u s ed the Java  port of the homony m p r odu ct devel oped in Perl  by Tim  Buckwalte r , i t  works  with  a translite r ation of  the Ar a b ic   w o rd . T h is  tr ans lite r a t ion  use s   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  1, No. 2, February 201 6 :  371 – 374   374 Buckwalte r ' s   translite r atio n  system.  It i n clu d e s  Java  cla s ses for t he mo rph o lo gical  analy s is of  Arabi c text files, wh atever  their en codi n g .    3.3.   Proposed S y stem  We  have  dev elope d a  g r ap hical  inte rface to  co nvenie n tly acce ss th e sy stem. T h e G U I i s   written  in j a va . The i n terfa c e allo ws the  u s er to i nput  word s, a nd to  submit for  sem antic  simil a rit y   cal c ulatio n.         Figure 2. Pro posed Syste m       4. Conclusio n   As pa rt of thi s  work, we d e velope d a  system  to calculate semanti c  si milarity/rel atedne ss  in a Arabi c-E nglish. Our o b jective s  are  to to ex tend the syste m  to englo be scie ntific article s   and   aca demi c  researche s .  We  believe that t he validat io n  of the re sult s req u ire s  fu rther  experi m e n ts  in time.       Referen ces   [1]  Potthast M, Barrón-C e d e ñ o   A, Stein B, R o sso P. Cross - lan gua ge  pla g i arism d e tectio n.  Lan gu ag e   Reso urces an d  Evaluati o n . 20 11; 45(1): 4 5 -6 2.  [2] Philip  Rensik.  Using  i n for m ati on c ontent t o  e v alu a te se mant ic si mi larity  in  a taxo no my . In  Proce edi ng s   of IJCAI-95. Montrea l , Can a d a . 448-4 53.   [3]  Deka ng Li n. An Information-T heor etic Defin i tion of Simi larit y .  ICML . 1998: 296- 304.   [4]  Pereira RC, et al.  A new  appro a ch for cr oss-la ngu ag e pla g iar i s m  an alysis . In Mult ilin gu al a n d   Multimod al Info rmation Acces s  Evaluati on.  S p rin ger Berl in  Heid el berg. 2 0 10: 15-2 6 .  [5]  Alzahr ani, S a l ha, N aomi e  S a lim. F u zz y s e mantic - base d  string  simil a ri t y  for  e x trins i c pl agi aris m   detectio n . Bras chler a nd Har m an. 201 0.  [6]  Mena i MEB. Detectio n of pl agiar i sm in  Arabic docum ents.  Internati ona l jo urna l o f  informatio n   techno lo gy and  comp uter scie n ce (IJIT C S) . 2012; 4(1 0 ): 80.   [7]  Z i touni, A b d e l a ziz, et  al.  C o rpus - base d  Arabic   stemmi ng usin g N-gr ams.  Inform ation Retrieval  T e chno logy . S p rin ger Berl in  Heid el berg. 2 0 10: 280- 28 9.  [8]  Sidd iqu i , Muaz zam Ahme d, e t  al. Dev e lo pi n g  An Ar abic  Pl agi arism D e tec t ion C o rp us. Grant No.  11- INF - 1520- 03.   [9]  Abdu l Jale el, Nasre en, Lea h  S Larke y .   Statistical transl i teratio n  for English-Ar ab ic cross lan gua g e   infor m ati on r e trieval . Proc e edi ngs  of the  t w e l fth i n ter natio nal  conf e r ence  on  Info rmation  an d  kno w l e d ge ma nag ement. AC M. 2003.   [10]  Bensa l em, Ime ne, Pao l o R o s s o, Salim C h ik hi.  Intrinsic  pla g iaris m   detecti on i n  Arab ic te xt: Preliminar y   exper iments . II Spanis h  Co nferenc e on Infor m ation R e triev a l (CERI’1 2 ). 2 012.   [1 1 ]   Gra e m e   H i r st, D a vid  St-Onge . L e xi ca l cha i n s  a s  re p r e s en ta ti o n s  o f  con t ex t fo r the  de te cti o n and  correctio n of mala prop isms. W o rdNet, edite d b y  C h ri stia ne  F e llbaum, Ca mbridg e, MA:  T he MIT  Press.   199 5.  [12]  Satanj eev Ba n e rje e , T ed Pederson. An   Adapt e d  Lesk  Algorithm for  W o rd Sense  Disambi gu ati o n   Using W o r d Net .  2002.   [13]  Clau d i a  Leac o ck, Martin Cho doro w . Com b i n ing L o cal C ont ext an d W o rdN e t Similarit y  for  W o rd Sense  Identificati on.  W o rdNet: An El ectron ic Le xic a l Data bas e, Publis her: MIT  Press. 265-2 83.   [14]  W u  Z ,  Palmer  M.  Verbs semantics and  lexical selection.   Procee din g s of  the 3 2 n d  a n n ual m eeti ng  on   Associati on for  Computati o n a l  Ling uistics As soci ati on for C o mputati o n a l Li ngu istics. 199 4 :  133-13 8.   Evaluation Warning : The document was created with Spire.PDF for Python.