BERT:【 Pre-training of Deep Bidirectional Transformers for Language Understanding】
○ 将预训练语言模型应用在下游任务中，一般有两种策略：
作者认为影响当前预训练语言模型的 瓶颈是——“模型是单向的” 。如 GPT 选择从左到右的架构，这使得每个 token 只能注意到它前面的 token，这对 sentence 级的任务影响还是次要的，但对于 token 级的任务来说影响就很巨大。例如问答任务，从两个方向结合上下文是至关重要的。
BERT 通过使用受完形填空任务启发的 Mask Language Model （MLM）缓解了先前模型的单向性约束问题。MLM 随机 mask 掉一些输入文本中的 token，然后根据剩下的上下文预测 masked 的 token。除了 Mask Language Model，作者还提出了 Next Sequence Predict 任务，来联合训练文本对表示。
论文中BERT的改进如下：
预训练前的一般语言表征有着悠久历史，本节我们简要回顾一下最广泛使用的方法。
2.1 基于特征的无监督方法 ： 几十年来，学习广泛适用的词汇表征一直是一个活跃的研究领域，包括非神经系统、神经系统方法。预训练的词嵌入是现代NLP系统的一个组成部分，与从头学习的嵌入相比，它提供了显著的改进（Turian等人，2010）。为了预先训练单词嵌入向量，已经使用了从左到右的语言建模目标（Mnih和Hinton，2009），以及在左右上下文中区分正确单词和错误单词的目标（Mikolov等人，2013）。
这些方法已被推广到更粗糙的粒度，例如句子嵌入（Kiros等人，2015；Logeswaran和Lee，2018）或段落嵌入（Le和Mikolov，2014）。为了训练句子表征，之前的工作已经使用了目标对候选下一个句子进行排序（Jernite等人，2017；Logeswaran和Lee，2018），根据前一个句子的表征从左到右生成下一个句子单词（Kiros等人，2015），或去噪自动编码器衍生的目标（Hill等人，2016）。
ELMo 及其前身（Peters等人，20172018a）从不同的维度概括了传统的单词嵌入研究。它们通过从左到右和从右到左的语言模型中提取上下文敏感的特征。每个标记的上下文表示是从左到右和从右到左表示的 串联 。在将上下文单词嵌入与现有任务特定架构相结合时，ELMo推进了几个主要NLP基准（Peters等人，2018a）的最新技术，包括问答（Rajpurkar等人，2016年）、情感分析（Socher等人，2013年）和命名实体识别（Tjong Kim-Sang和De Meulder，2003年）。Melamud等人（2016年）提出通过一项任务来学习语境表征，即使用 LSTM 从左右语境中预测单个单词。与ELMo类似，他们的模型是基于特征的，而不是深度双向的。Fedus等人（2018）表明，完形填空任务可以用来提高文本生成模型的 稳健性 。
2.2 无监督微调方法：
与 基于特征feature-based 的方法一样，第一种方法只在未标记文本中预先训练单词嵌入参数的情况下才朝这个方向工作。最近，产生上下文标记表示的句子或文档编码器已经从未标记的文本和文本中预训练出来针对受监督的下游任务进行了 微调fine-tuned 。 这些方法的 优点是 ，很少有参数需要从头学习。至少部分由于这一优势，OpenAI GPT在GLUE基准测试的许多句子级任务上取得了之前的最新成果。从左到右的语言建模和自动编码器目标已用于此类模型的预训练。
注解 ：BERT的整体预训练和微调程序。除了输出层之外，在预训练和微调中使用相同的体系结构。相同的预训练模型参数用于初始化不同下游任务的模型。在微调过程中，所有参数都会微调。
2.3 基于监督数据的迁移学习： 也有研究表明，在大数据集的监督任务中，如自然语言推理和机器翻译可以有效地进行转换。计算机视觉研究也证明了 从大型预训练模型中进行迁移学习的重要性 ，其中一个有效的方法是对使用ImageNet预训练模型进行微调。
本节将介绍BERT及其详细实现。在我们的框架中有两个步骤：预训练和微调。
BERT的一个显著特点是其跨不同任务的统一体系结构 。预训练的体系结构和最终的下游体系结构之间的差异最小。
BERT 的模型架构是 一种多层的双向 transformer encoder ，BERT 在实现上与 transformer encoder 几乎完全相同。
定义：transformer block 的个数为 L ; hidden 大小为 H; self-attentions head 的个数为 A. 作者主要展示了两种规模的 BERT 模型：
在这项工作中，我们将层数（即Transformer blocks）表示为L，隐藏大小表示为H，自我注意头的数量表示为A。我们主要报告两种型号的结果：
为了进行比较，选择BERT-base与OpenAI GPT具有相同的模型大小。然而，关键的是， BERT Transformer使用双向自注意力机制self-attention ，而 GPT Transformer使用受限自注意力机制constrained self-attention ，其中每个标记只能关注其左侧的上下文。
为了使 BERT 能处理大量不同的下游任务，作者将模型的输入设计成可以输入单个句子或句子对，这两种输入被建模成同一个 token 序列。作者使用了有 30000 个 token 的 vocabulary 词嵌入。
3.1 Pre-training BERT : 我们不使用传统的从左到右或从右到左的语言模型来预训练BERT。相反，我们使用本节所述的两个无监督任务对BERT进行预训练。这一步如图1的左半部分所示。
Task #1: Masked LM 标准的语言模型只能实现从左到右或从右到左的训练，不能实现真正的双向训练，这是因为双向的条件是每个单词能直接“看到自己”，并且模型可以在多层上下文中轻松的预测出目标词。
为了能够实现双向的深度预训练，作者选择 随机 mask 掉一些比例的 token ，然后预测这些被 masked 的 token，在这种设置下，被 masked 的 token 的隐向量表示被输出到词汇表的 softmax 上，这就与标准语言模型设置相同。作者将 这个过程称为“Masked LM”，也被称为“完形填空” 。
○ Masked LM 预训练任务的缺点 ： 在于由于 [MASK] 标记不会出现在微调阶段，这就造成了预训练和微调阶段的不一致。为了解决该问题，作者提出了 一种折中的方案 ：
○ BERT 的 mask策略：
Task #2: Next Sentence Prediction (NSP) 很多下游任务都是基于对两句话之间的关系的理解，语言模型不能直接捕获这种信息。为了训练模型理解这种句间关系，作者 设计了 next sentence prediction 的二分类任务 。具体来说，就是选择两个句子作为一个训练样本，有 50% 的概率是下一句关系，有 50% 的概率是随机选择的句子对， 预测将 [CLS] 的最终隐状态 C 输入 sigmoid 实现 。
○ Pre-training data ： 作者选用了BooksCorpus (800M words) 和 English Wikipedia (2,500M words) 作为预训练的语料库，作者只选取了 Wikipedia 中的文本段落，忽略了表格、标题等。为了获取长的连续文本序列，作者选用了 BIllion Word Benchmark 这样的文档级语料库，而非打乱的句子级语料库。
3.2 Fine-tuning BERT ： 因为 transformer 中的 self-attention 机制适用于很多下游任务，所以可以直接对模型进行微调。对于涉及文本对的任务，一般的做法是独立 encode 文本对，然后再应用双向的 cross attention 进行交互。Bert 使用 self-attention 机制统一了这两个阶段，该机制直接能够实现两个串联句子的交叉编码。
对于不同的任务，只需要简单地将特定于该任务的输入输出插入到 Bert 中，然后进行 end2end 的fine-tuning。
与预训练相比，微调相对便宜。从完全相同的预训练模型开始，本文中的所有结果最多可以在单个云TPU上复制1小时，或在GPU上复制几个小时。
在本节中，我们将介绍11个NLP任务的BERT微调结果。 4.1 GLUE： GLUE (General Language Understanding Evaluation) 是多个 NLP 任务的集合。作者设置 batch size 为 32；训练 3 个 epochs；在验证集上从（5e-5, 4e-5, 3e-5, 2e-5）中选择最优的学习率。结果如下：
结果见表1。 BERT-base和BERT-large在所有任务上都比所有系统表现出色，与现有技术相比，平均准确率分别提高了4.5%和7.0% 。请注意，除了注意掩蔽，BERT-base和OpenAI GPT在模型架构方面几乎相同。
对于最大和最广泛报道的GLUE任务MNLI，BERT获得了4.6%的绝对准确率提高。在官方的GLUE排行榜10中，BERT-lagle获得80.5分，而OpenAI GPT在撰写本文之日获得72.8分。我们发现BERT-large在所有任务中都显著优于BERT-base，尤其是那些训练数据很少的任务。
4.2 SQuAD v1.1 : 斯坦福问答数据集（SQuAD v1.1）收集了10万对众包问答对。给出一个问题和一段维基百科中包含答案的文章，任务是预测文章中的答案文本。
如图1所示，在问答任务中，我们将输入的问题和段落表示为单个压缩序列，问题使用A嵌入，段落使用B嵌入。在微调过程，我们只引入一个起始向量S和一个端向量E。单词i作为答案范围开始的概率计算为Ti和S之间的点积，然后是段落中所有单词的softmax：
答案范围结束时使用类似公式。候选人从位置 i 到位置 j 的得分定义为：S·Ti + E·Tj ,最大得分跨度为 j≥ i 被用作预测。训练目标是正确起始位置和结束位置的对数概率之和。我们微调了3个阶段，学习率为5e-5，批量大小为32。
表2显示了顶级排行榜条目以及顶级发布系统的结果。SQuAD排行榜的前几名没有最新的公共系统描述，并且允许在训练系统时使用任何公共数据。因此，在我们的系统中使用适度的数据扩充，首先在TriviaQA上进行微调，然后再对团队进行微调。
我们表现最好的系统在ensembling方面的表现优于排名第一的系统，在ensembling方面的表现优于排名第一的系统+1.5 F1，在单一系统方面的表现优于排名第一的系统+1.3 F1得分。事实上，我们的单BERT模型在F1成绩方面优于顶级合奏系统。如果没有TriviaQA微调数据，我们只会损失0.1-0.4 F1，仍然远远超过所有现有系统。
其他实验：略
在本节中，我们对BERT的许多方面进行了消融实验，以便更好地了解它们的相对重要性。其他消融研究见附录C。
5.1 预训练任务的效果 ：
○ 进行了如下消融测试：
○ 结果如下：
5.2 模型大小的影响 ：
○ 结果如下：
作者证明了 ：如果模型经过充分的预训练，即使模型尺寸扩展到很大，也能极大改进训练数据规模较小的下游任务。
5.3 将 Bert 应用于 Feature-based 的方法 ：
○ feature-based 的方法是从预训练模型中提取固定的特征，不对具体任务进行微调 。 ○ 这样的方法也有一定的优点 ：
作者进行了如下实验：在 CoNLL-2003 数据集上完成 NER 任务，不使用 CRF 输出，而是从一到多个层中提取出激活值，输入到 2 层 768 维的 BiLSTM 中，再直接分类。结果如下：
结果说明：无论是否进行微调，Bert 模型都是有效的。
个人认为 Bert 的意义在于：
由于语言模型的迁移学习，最近的经验改进表明，丰富的、无监督的预训练是许多语言理解系统的一个组成部分。特别是，这些结果使得即使是低资源任务也能从深层单向体系结构中受益。我们的主要贡献是将这些发现进一步推广到深层双向体系结构中，使相同的预训练模型能够成功地处理广泛的NLP任务。
VisualBert 融合了bert 的目标检测系统如fast-rcnn，并且可以用于一系列的视觉和语言任务。 作者提出了两种训练视觉语言模型的预训练任务: visualBert的核心思想是使用self-attention 机制来挖掘文本和输入图片中图像区域之间的关系。 visual embedding F来表示一个图片的信息。 F由三部分组成。 Task-Specific Pre-Training: 在fine-tuning 下游任务之前, 使用图像目标训练masked language modeling有效。这样会是模型更好的适应新的目标。 作者尝试了几种方案 作者试下来还是VISUAL BERT效果最好。 作者的一些研究性分析： 1). Task-agnostic Pre-training: 作者研究了只在文本上进行预训练和在图像和文本上都进行预训练，发现在图像上进行预训练很重要 2). Early Fusion: 在早起的FUSION 十分重要 3). BERT Initialization：虽然使用语言模型的BERT初始化十分重要，但是没有之前想象的那么重要。 4). The sentence-image prediction objective 作者尝试去掉这个任务，发现影响相比于其他的两个任务不是特别大。 ATTENTION 权重分析: 作者分析了attention中的weight ，有一些有意思的结果，图片和视频中 的部分可以相互align。这种方法可以评估模型学到的东西有没有意义。 reference: VISUALBERT: A SIMPLE AND PERFORMANT BASELINE FOR VISION AND LANGUAGE
Paperbye论文查重系统标准版每天免费查重不限篇数和字数，自带改重的论文查重系统，解决了目前市场论文查重之后，不知道怎么修改和修改论文效率低的问题，利用软件的“机器人改重”功能，实现软件的自动修改论文重复内容，从而达到迅速自动降低论文重复率，特别是对于第一次写论文的同学，软件自动修改论文内容，会给同学们一些启示或直接使用机器修改的内容进行替换原文内容，提高的文章查重和修改效率。
具体看看有哪些实用功能：
1、机器人智能改重
Paperbye改重是机器人自动修改查重报告里相似的文字内容，自动修改就是论文查重完成后，系统自动把相似内容通过深度学习的数据内容进行替换修改，达到自动降低文章相似率的目的。一篇几万字的文章，10秒内容可以修改完成，这个修改效率是任何人工都无法比拟的，修改文章效率高是机器人修改的独特优势。机器人修改的语句并不是简单的替换关键词和调换语序，主要原理是通过深度学习大量数据后把语义相似的句子进行替换。
2、免费在线改重
在线改重功能是机器人改重功能的延伸和完善，机器改重功能并不是非常完美，就像我们现在的语音识别系统，语音输入并不是100%的完美识别，用手机语音输入文字大家应该有体会。对于机器人修改的语句并不是每句都修改的很完美的，遇到一些专业性比较强的术语修改的会有些牵强，但是不用担心，可以在免费改重工具编辑器里自主修改，通过人工修改相结合达到完美降重效果。
3、同步查重功能
这个功能根据“赫洛克效应”的及时反馈的心理原理，在修改论文的过程中，修改一句话，通过paperbye的“同步查重”功能，马上就可以看到修改效果，达到及时反馈，并且及时检验了修改的方法技巧，使继续修改的信心大增，可以大大提高修改论文的质量和效率。传统的论文查重方式的是你必须把全文或片段改完，重新提交论文到查重系统里重新检测才能知道结果，这种方式无论从流程，还是查重后修改，都比较繁琐，更重的是如果通过修改查重后的相似比例降下来不理想，给人的感觉比较身心疲惫，没有愉悦感，对修改论文极度厌恶。Paperbye论文查重系统解决了这个问题，算是颠覆传统，开创先河，让论文降重不再痛苦。
论文查重免费查重使用方法如下：
第一步，打开paperbye网站(www.paperbye.com)登录进入。
第二步，提交论文，选择自己需要的版本进行提交‘’
第三步，下载报告
免费查重论文的方法如下：
想要免费查重，首先需要找一个可以免费查重的网站。你可以在网上搜索“免费论文查重”或者“paperfree”，然后找到paperfree的官网，点击网址进入。登录账户后，找到“免费查重”页面。进去之后可以看到相关的活动，然后就可以参加这些活动了。参与成功后，可获得相应数量的免费查重词。如果想做免费的论文查重，获取这些免费字数很重要。
领取免费字数成功后，进入查重入口，根据提示输入姓名和论文题目，上传论文文档。在提交查重时，可以用获得的免费查重字数进行检测，从而实现免费查重。
准备开始论文查重的时候，大家的论文初稿肯定已经快写完了。论文查重就是能够看到论文的重复率，这样你就可以知道你的论文是否能够通过高校的审核，并且可以根据查重报告修改自己的论文。因为你可以看到查重报告中的论文查重率和论文中有哪些具体内容是重复的。那怎么进行免费论文查重？
如果你想论文查重，知道论文查重率，还得通过专门的论文查重软件来操作。目前市面上的论文查重软件很多，各种论文查重软件之间也有差异。你最好根据你的论文类型选择最适合你论文的论文查重系统。不同论文查重平台之间的收费标准也不一样。大部分论文查重平台执行论文查重操作需要支付费用。
免费查重论文的网站如下：
1、学信网万方查重，chsi.wanfangtech.net、这是学信网和万方合作推出的查重网站、每个应届生都有一次免费的论文查重机会。
2、checkai.cc免费10万字论文查重，价值100元。查重数据库包含、哲学、经济学、管理学、法学、社会科学、教育学、文学、艺术学、历史学、理学、工学、农学、医学、政治学、军事学等。
3、PaperDay，这是一个几乎完全免费的论文查重系统，标准版查重入口永久免费、没有次数限制。
4、论文狗，每天免费一篇，标准版每人每天查重一次，旗舰版需要按照次数收费。
5、paperYY，免费版每人免费查一次、（每天11：11~11：22全版本查重限时免费，每个用户每天限2次，累计限5次），自建库不限制免费查重字数。
6、freecheck，每天可领取一次免费查重。
论文：
古典文学常见论文一词，谓交谈辞章或交流思想。当代，论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文。它既是探讨问题进行学术研究的一种手段，又是描述学术研究成果进行学术交流的一种工具。它包括学年论文、毕业论文、学位论文、科技论文、成果论文等。
论文发表后，文摘杂志或各种数据库对摘要可以不作修改或稍作修改而直接利用，让读者尽快了解论文的主要内容，以补充题名的不足，从而避免他人编写摘要可能产生的误解、欠缺甚至错误。所以论文摘要的质量高低，直接影响着论文的被检索率和被引频次。
中国知网自己查重的方法如下：
电脑：华为MateBook。
系统：Windows10。
软件：谷歌浏览器。
1、打开电脑的浏览器，百度搜索“中国知网论文查重检测系统入口”。
2、点击进入到对应的官方网站，注意需要是知网的查重网站。
3、在官网首页，选择顶部页签中的“论文查重入口”选项。
4、在下拉选项中，点击选择本科论文检测或者研究生论文检测。
5、进入检测系统详情页后，点击“立即检测”按钮，进入检测流程。
6、填写好论文信息，并上传论文；支付费用后即可进行检测。
查重服务
2022年6月12日凌晨，同方知网（北京）技术有限公司在中国知网官方网站以及中国知网微信公众号发布公告：即日起，中国知网向个人用户直接提供查重服务。
查重后，知网会出pdf文件。下载后；查重率还有重复内容会有标红
1、用户进入知网查重首页后，在下方选择合适的查重系统。2、点击进入后输入论文的题目和作者，并上传待检测论文至查重系统中。3、等待30分钟-60分钟左右的查重时间后，用户点击下载检测报告按钮，输入查重订单编号，用户即可将知网查重报告单下载至电脑中，最后打开查重报告单对论文的重复部分进行修改即可。
知网查重一般学校提供1-2次免费查重机会，具体要了解学校的公告，每个学校都有具体的论文查重要求，前期初稿检测同学们可以使用学术不端论文查重免费网站，大学生版（专/本科毕业论文定稿）、研究生版（硕博毕业论文定稿）、期刊职称版（期刊投稿，职称评审）以上版本均可免费查重不限篇数。
1 取决于具体情况，无法一概而论。2 查重率偏高可能是因为论文中存在大量引用或者与其他论文的重合度较高，也可能是因为文献库的覆盖率较高，导致重复率偏高。3 查重率偏低可能是因为文献库的覆盖率较低，也可能是因为论文的内容相对较为新颖，没有太多可比性的文献可供比对。4 总之，对于论文查重的结果，需要根据具体情况进行分析和判断。
论文狗免费查重论文免费查重率非常准确。重复率的准确性高于其他论文免费查重软件。当然，重复率标准只是相对的。如果学校要求软件对论文进行免费查重，那么论文免费查重软件将导致结果最准确，对此毫无疑问。
论文狗的使用方法;
1.直接输入论文狗免费查重进入官方网站www.lunwengo.net,在官网里面能够找到论文查重入口的网址信息。
2.进入查重入口后,把作者的信息填写好,并把文章复制到查重框内,即可进行查重了
3.等待差不多十几分钟到半个小时之内就能完成查重了。
论文的格式：“论文一般由题名、作者、目录、摘要、关键词、正文、参考文献和附录等部分组成，其中部分组成（例如附录）可有可无。论文各组成的排序为：题名、作者、摘要、关键词、英文题名、英文摘要、英文关键词、正文、参考文献、附录和致谢。题目题名规范题名应简明、具体、确切，能概括论文的特定内容，有助于选定关键词，符合编制题录、索引和检索的有关原则。命题方式简明扼要，提纲挈领。”
写论文的注意事项：
1.遵守投稿须知阅读并遵守期刊的投稿须知非常重要。每个期刊都会针对各类文章提出详细的投稿要求，包括字数、作者数量、图表、作者的经济利益披露、剽窃、代写等。遵守投稿须知，论文不一定会被接收，但不遵守一定会被拒稿。
2.有明确的目标陈述和假设目标陈述能让写作有的放矢，并让审稿人了解自己期望实现的研究目标。论文应该只解决一个明确的问题或主题，而非回答多个问题。
3.文献综述要全面文献综述是否足够全面，与论文的主题和类型有关。除非是做元分析（meta-analysis）或专题综述。，否则不要过分描述。
4.申请伦理审查所有以动物和/或人类为研究对象的研究都必须经伦理审查委员会审查。
找客服，不然只有重新检测了。要在检测的话，可以使用论文狗免费查重一次。可过维普的查重。
李文狗和危普茶看相差多大吗？英文六文狗和危普查看ta是不相同的，她俩嘛，是各有各的系统的稳步，不应该给他相互并论
论文查重，直白点说就是把自己写好的文章，上传到一个查重系统，他自会比较文章的重复地方，出一份重复率的报告。目前，查重系统的种类非常多。不同论文需要的也不一样，例如本科论文一般查知网等。期刊论文就要用期刊系统去查。硕博论文有硕博专用版。用的系统不对，查不来的结果也无意义。
论文查重找到一个靠谱的查重软件最重要，可以根据需求选择自己需要的查重系统，定稿了一般是选择和学校一样的查重系统，初稿用一些免费的查重软件！
首先要明白，论文查重的目的是查出抄袭内容，进行修改论文，论文降重更重要。所有可以分成两步进行，论文查重，然后是论文降重。
一、论文查重方法
Paperbye目前分两个版本，一个是标准版(不限制篇数免费版)，一个是旗舰版（收费版），标准版8个比对数据库，旗舰版12比对数据库。
使用方法如下：
第一步，打开paperbye官网（）登录
第二步，登录成功后，初稿选择免费标准版本，或旗舰版，上传需要查重的论文；
第三步，提交成功后，点击“查看检测报告”即可；
第四步，如果需要进行论文在线改重或机器降重，可以在查看报告列表查看
根据自己需求，在线改重，如果报告比例较高，自己进行修改的话，可以在报告里一边修改一边查重，及时反馈修改结果；机器改重，就是软件辅助自动修改文章降重，可以辅助自己提供论文修改效率。
二、人工降重方法:
1、变换表达。先理解原句的意思，用自己的话复述一遍。
2、词语替换，在变换表达方式的基础上结合同义词替换，效果更好。
3、变换句式，通过拆分合并语句的方式进行修改，把长句变短句，短句变长句。
4、图片法，针对专业性太强不好修改的语句或段落（比如计算机代码，法律条款，原理理论等），可以适当把文字写在图片上展现，但是这种方法不宜用的太多。知网查重系统不太合适，可以识别图片，公式，表格，其他查重系统可以适当使用。
5、翻译法，用百度翻译或谷歌翻译，中文翻译成英文，英文翻译成日语或其他语种，再从日语翻译成中文，这种看似不错，还得需要人工润色，感觉效果还是鸡肋，适当用用也无妨。
会的。因为论文重复率的检测主要是跟系统数据库中的资源进行比对，而且每个查重系统的数据库每天都在更新和进行收录新的内容，所以是同一篇论文在同个检测系统进行检测，不同时间段检测，出来的结果也会因时间间隔其查重率也有所差异的，所以一般检测好论文查重率达标不要隔太久才上交学校检测。论文查重的直接目的是检测论文的重复率结果，高校会规定论文重复率的合格标准。一般来说，论文查重系统通过标记红色统计重复内容。不同的查重系统有自己开发的查重算法，上传的论文内容会与数据库文献进行比较。如果用查重算法比较重复的相似内容，就会判断论文的重复率结果。论文重复率是重复内容的字数占论文总字数的百分比，学校最终看到的主要是这篇论文的总重复率。
一、论文怎么查重：
1、论文写完后查重前先向学校或机构了解清楚指定的是哪个论文查重系统、次数以及要求的查重率标准是多少？
2、由于学校或机构提供的查重系统次数非常有限，所以一般在论文初稿、二稿和修改时查重，建议大家选择蝌蚪论文查重系统自查，目前每天都可以免费查重一次！
3、论文定稿查重时使用学校指定的查重系统检测，达标后提交学校定稿！目前高校使用做多的查重系统有：知网、维普、万方！
二、论文查重方法：
1、打开官网，登录账号；
2、选择查重版本，提交文章；
3、等待检测完成后，在“下载报告”页面查看下载报告！
完毕！