查重系统本质是一套文本检索流程：规范化 → 切片 → 指纹 → 索引召回 → 对齐打分。理解了这条链路，你就知道哪些改写有效、哪些纯属白费力气。
查重系统不是"把两篇文章放在一起读一遍"，而是一套完整的文本检索流程。理解它的原理，你就知道为什么有些地方无论怎么改写都还是被标红，也知道哪些改动是真正有效的。
上传的文档首先要被抽成纯文本。这一步会去掉字体、颜色、段落样式、页眉页脚，统一编码，处理连字符断行（比如 "analy-sis" 还原成 "analysis"），把连续空白合并。目的是让"排版不同但内容相同"的两段文字在比对时被判为一致。
这也解释了一个常见现象：你把正文从两栏改成单栏、换了字体、调了行距，相似度一点没变——这些信息在第一步就被丢弃了。
规范化之后，文本被切成一串连续的词序列，再按固定长度（通常是若干个连续的词）生成"指纹"。每段指纹经过哈希计算变成一个短标识，原文本身不再参与后续比对。
这个过程类似给文章做"基因测序"：一篇 8000 词的论文会产出成千上万个指纹，每个指纹只代表"这几个词以这个顺序出现过"。指纹的粒度决定了系统的敏感度——粒度太粗会漏检，太细会把正常表达也判成重复。
比对库里有几千万篇论文和几百亿网页，不可能逐篇比对。系统为所有指纹建立倒排索引（从"指纹"反查"它出现在哪些文献的哪些位置"），你的稿件进来后，直接按指纹查出候选来源，再对这些候选做精细比对。
这套结构决定了查重的速度上限，也决定了它的一个特性：比对库是动态更新的。同一篇稿子隔一个月再查，结果可能小幅变化，因为期间有新文献入库、有新网页被抓取。所以自查报告和期刊检测结果不一致时，先排除时间因素。
对召回的候选来源，系统做的是文本对齐（alignment），把两侧的文字按最长公共子串的方式对齐，允许中间插入少量差异。所以：
总相似度 = 被匹配到的词数 ÷ 全文总词数。注意三个细节：
两者解决的不是同一个问题，设计取舍完全不同：
| 维度 | iThenticate / Crossref Similarity Check | 中文查重系统（如知网） |
|---|---|---|
| 主要语言 | 英文文献与国际期刊 | 中文文献、学位论文库 |
| 核心场景 | 期刊投稿前的原创性审查 | 学位论文、期刊中文稿的重复率审核 |
| 切分粒度 | 以连续词序列为指纹单位，跨语言处理 | 业内常引用"连续若干汉字相同即计入"的规则，对字面复制度更敏感 |
| 比对库侧重 | 付费期刊全文、开放获取文献、网页 | 中文期刊、硕博论文、会议论文 |
所以中文论文用 iThenticate 只能验证英文摘要和英文引文部分，中文正文的重复要交给中文系统。反过来，英文投稿用知网也没有意义。