텍스트 유사도 계산 (자카드 · 코사인 · 문자 유사도)

세 지표가 각각 재는 것

자카드 유사도는 두 글에 등장하는 어절의 집합을 만들어 교집합 크기를 합집합 크기로 나눕니다. 같은 단어가 몇 번 나왔는지는 보지 않고 "나왔는가"만 봅니다. 코사인 유사도는 어절별 빈도를 벡터로 보고 두 벡터 사이 각도를 잽니다. 길이가 다른 두 글이라도 단어 비율이 비슷하면 높게 나오며, 문서 검색·추천에서 가장 흔히 쓰는 방식입니다. 문자 유사도는 레벤슈타인 거리(한 글을 다른 글로 바꾸는 데 필요한 삽입·삭제·치환 횟수)를 긴 쪽 길이로 나눠 1에서 뺀 값입니다. 오타나 조사 하나 차이처럼 작은 변형에 민감합니다. 모든 계산은 브라우저 안에서만 이루어지고 입력은 전송되지 않습니다.

수치를 읽는 법

세 값이 모두 높으면 거의 같은 글이고, 문자 유사도만 높고 자카드가 낮으면 어절 경계(띄어쓰기)가 다른 경우가 많습니다. 반대로 자카드·코사인은 높은데 문자 유사도가 낮으면 같은 단어를 다른 순서로 재배열한 글입니다. 한국어는 조사가 붙어 "사과를"과 "사과가"가 다른 어절로 잡히므로 어절 기반 지표는 영어보다 낮게 나오는 경향이 있습니다. 형태소 분석을 하지 않는 단순 비교라는 점을 감안해야 합니다.

표절 판정 도구가 아닌 이유

표절은 출처 표기 여부, 인용의 범위, 아이디어의 독창성 같은 맥락을 따져야 하는 문제이고, 단어가 겹치는 비율만으로 결정되지 않습니다. 같은 주제의 요약문 두 편은 서로 베끼지 않아도 40–60%가 흔히 나오고, 반대로 문장을 전부 바꿔 쓴 표절은 이 도구에서 낮게 나옵니다. 과제 검사나 분쟁 판단에는 전용 서비스와 사람의 검토가 필요합니다.

긴 글의 처리

레벤슈타인 거리는 두 글 길이의 곱에 비례하는 계산량이 필요해, 공백을 정리한 뒤 앞 4,000자까지만 비교합니다. 자카드와 코사인은 길이 제한 없이 전체를 봅니다. 긴 문서의 문자 유사도는 단락별로 나누어 비교하는 편이 정확합니다.

자주 묻는 질문