一、程序功能介绍
产品定位
投标文件雷同检测工具 是一款专为招投标场景设计的文档对比软件，用于快速发现多份投标文件之间的雷同内容，帮助招标方/评审方识别可能存在的串标、围标行为。
核心功能
| 功能模块 | 说明 |
|---|---|
| 多格式文档读取 | 支持 `.docx`、`.doc`、`.wps`、`.wpt` 四种主流文档格式 |
| 批量文件导入 | 支持逐个添加文件或整个文件夹批量导入 |
| 雷同检测 | 基于 N-gram + Jaccard 相似度算法，自动计算所有文档对的相似度 |
| 精准定位 | 精确到段落级别，显示雷同内容所在的具体段落位置和预览 |
| 关键词查询 | 在已加载的所有文档中搜索指定关键词，显示匹配位置和上下文 |
| 报告导出 | 支持导出为 JSON（结构化数据）或 TXT（可读文本）格式的检测报告 |
| 离线运行 | 完全本地计算，无需联网，保障文档数据安全 |
技术特点
- 纯绿色免安装：打包后为单个
.exe文件，无需安装任何依赖 - 零外部模型依赖：不需要下载大型语言模型或向量数据库，程序仅几十 MB
- 精确字面匹配：针对投标文件这类正式文书，字面重复检测比语义相似度更具实际意义
- 高性能：基于字符级 N-gram 算法，对比 20 份文档仅需数秒
- 全离线：所有计算在本地完成，投标文件不会上传至任何服务器
算法原理简述
程序采用 N-gram + Jaccard 相似度算法：
- 将每份文档拆分为段落
- 提取每个段落的字符级 N-gram 指纹（连续 N 个字符的组合）
- 计算文档对之间的 Jaccard 相似度（交集 / 并集）
- 按指定分块大小进行段落块对比，定位具体雷同段落
二、界面概览
三、详细操作步骤
第一步：添加投标文件
- 点击 「📂 添加文件」 → 在弹出的文件选择对话框中，选择一个或多个 Word/WPS 文档
- 或点击 「📁 添加文件夹」 → 选择包含多个投标文件的文件夹，程序会自动扫描并加载所有支持的文档
支持的格式： `.docx`、`.doc`、`.wps`、`.wpt` v1.0
添加成功后，左侧文件列表会显示每个文件的 文件名 和 段落数。
第二步：调整检测参数（可选）
在 「检测参数」 区域设置三个参数：
| 参数 | 默认值 | 范围 | 说明 |
|---|---|---|---|
| N-gram大小 | 8 | 4~20 | 连续字符数，值越大检测越严格 |
| 相似度阈值 | 0.30 | 0.10~0.90 | 判定为雷同的最低相似度 |
| 分块大小 | 5 | 2~20 | 每块包含的段落数，影响对比粒度 |
一般使用默认值即可。如需更严格的检测，可适当增大 N-gram 值和相似度阈值。
第三步：开始对比检测
点击 「🔍 开始对比检测」 按钮：
- 程序自动计算所有文档对之间的相似度（N 份文档共对比 N×(N-1)/2 对）
- 对比过程在后台线程运行，界面不会卡死
- 完成后状态栏显示：
✅ 对比完成！共 X 对文档，Y 对高度相似（≥50%）
第四步：查看对比结果
切换到 「📊 对比结果」 标签页：
- 汇总表 显示所有文档对的相似度，按相似度从高到低排列
- 颜色标识：
- 🟥 红色背景：高度相似（≥ 50%），存在大量雷同内容
- 🟨 黄色背景：中等相似（30%~50%），有部分重复
- 🟩 绿色背景：低相似度（< 30%），属正常范围
点击汇总表中的任意一行，右侧 「📋 详细分析」 标签页会自动显示该文档对的详细雷同内容。
第五步：查看详细分析
切换到 「📋 详细分析」 标签页：
- 顶部下拉框：选择要查看的文档对比对
- 左栏（文档A内容）：显示文档 A 的雷同段落及位置
- 右栏（文档B内容）：显示文档 B 的雷同段落及位置
- 相似度信息：显示整体相似度、共同 N-gram 数、雷同段落块数量
每个雷同块包含：
- 雷同块编号和块内相似度
- 段落位置（第 X ~ Y 段）
- 内容预览（前 50 字符）
第六步：关键词查询
切换到 「🔎 关键词查询」 标签页：
- 在关键词输入框中输入要搜索的词/短语
- 按 回车键 或点击 「🔍 搜索」 按钮
- 可选：勾选 「区分大小写」 进行精确匹配
搜索结果列表显示：
- 所属文件：关键词出现在哪个文档中
- 段落号：第几段
- 匹配内容：包含关键词的段落文本（前 200 字符）
- 匹配次数：该段落中关键词出现的次数
点击任意搜索结果，会弹出新窗口显示完整段落内容，关键词以黄色高亮标记。
第七步：导出报告
点击 「📊 导出报告」 按钮，选择保存路径和文件格式：
- JSON 格式（.json）： 结构化数据，包含摘要和完整详情，适合程序化处理
- TXT 格式（.txt）： 可读文本报告，适合打印或人工审阅
四、检测参数说明
N-gram 大小
N-gram 指连续的 N 个字符。例如 N=8 时，句子”投标文件应当真实有效”会提取：
投标文件应当真、标文件应当真实、文件应当真实有、件应当真实有效
相似度阈值
Jaccard 相似度 = 两个文档共同 N-gram 数 ÷ 两个文档所有 N-gram 总数
| N值 | 检测效果 | 适用场景 |
|---|---|---|
| 4~6 | 较宽松，短短语匹配也算雷同 | 粗略筛查 |
| 7~10 | 适中（默认 8），句子级重复 | 常规检测 ✅ |
| 11~20 | 严格，需长段落完全一致 | 精准取证 |
分块大小
将文档按段落分块进行对比，块越大对比越粗略但速度越快。
| 阈值 | 效果 |
|---|---|
| 0.10~0.20 | 非常宽松，大量内容会被标记 |
| 0.10~0.20 | 非常宽松，大量内容会被标记 |
| 0.30（默认） | 平衡检出率和准确性 |
| 0.50~0.70 | 严格，仅高度雷同的内容会被标记 |
| 0.80~0.90 | 极严格，几乎需完全一致 |
五、结果解读
相似度等级参考
| 分块大小 | 效果 |
|---|---|
| 2~3 | 精细对比，定位准确但速度较慢 |
| 5（默认） | 平衡精度与速度 ✅ |
| 10~20 | 快速对比，适合大批量初筛 |
| 相似度范围 | 等级 | 含义 | 建议处理 |
|---|---|---|---|
| ≥ 50% | 高度相似 | 存在大量雷同段落 | 重点关注，需进一步审查 |
| 30% ~ 50% | 中等相似 | 有部分重复内容 | 检查雷同部分是否为模板/套话 |
| < 30% | 低相似度 | 属正常范围 | 一般无需特别关注 |
雷同块说明
- 相似度：该块的局部相似度（0~1）
- 段落位置：在原文中的段落编号范围
- 内容预览：雷同段落的前 50 个字符
- 共同 N-gram 数：两文档在该块中共享的 N-gram 数量
六、常见问题
Q1：为什么 .doc / .wps 文件读取失败？
A： 旧版格式需要 Windows 系统上安装 Microsoft Word 或 WPS Office。建议将文件另存为 .docx 格式后再导入。
Q2：相似度多少算高？
A： 建议参考标准：
- ≥ 50%：高度相似，存在大量雷同内容
- 30% ~ 50%：中等相似，有部分重复
- < 30%：低相似度，属正常范围
Q3：可以对比多少份文件？
A： 理论上无限制。但 N 份文件需对比 N×(N-1)/2 对，建议单次不超过 20 份。
Q4：检测速度慢怎么办？
A： 可尝试：
- 增大「分块大小」（如改为 10）
- 增大「N-gram 大小」（减少匹配的 n-gram 数量）
- 提高「相似度阈值」（减少输出结果量）
Q5：关键词查询支持正则表达式吗？
A： 当前版本仅支持普通文本精确/模糊匹配，不支持正则表达式。
发布者：云端客，转转请注明出处：https://www.itrenonline.com/bidcomparator.html
