我們?cè)谧稣救旱臅r(shí)候，避免不了要大規(guī)模的生成大量的內(nèi)容，一般都是靠采集+偽原創(chuàng)，Google對(duì)于偽原創(chuàng)的判別要比百度來(lái)的準(zhǔn)的多，根據(jù)老貓掌握的數(shù)據(jù)，我們來(lái)看下Google是如何判斷原創(chuàng)與偽原創(chuàng)的。

首先我們要先掌握幾個(gè)概念：

1.相似度

相似度是搜索引擎去重用的最多的算法，用的比較多的一種是TF/IDF算法，這個(gè)也是計(jì)算相關(guān)性的算法，TF-IDF的主要意思是說(shuō)：如果某個(gè)詞或短語(yǔ)在一篇文章中出現(xiàn)的頻率高，并且在其他文章中很少出現(xiàn)，則認(rèn)為此詞或者短語(yǔ)具有很好的類別區(qū)分能力，適合用來(lái)分類。

TF詞頻（Term Frequency）指的是某一個(gè)給定的詞語(yǔ)在該文件中出現(xiàn)的次數(shù)。

IDF反文檔頻率（Inverse Document Frequency）指的是：如果包含詞條的文檔越少，IDF越大，則說(shuō)明詞條具有很好的類別區(qū)分能力。

當(dāng)一篇文章根據(jù)TF/IDF進(jìn)行計(jì)算后，形成了一個(gè)多維的向量，這個(gè)向量就是這篇文章的內(nèi)容特征向量，當(dāng)兩篇文章的特征向量趨于一致的時(shí)候，我們認(rèn)為這兩篇文章的內(nèi)容接近，如果一致則說(shuō)明是重復(fù)的。

關(guān)于TF/IDF與向量算法的詳細(xì)請(qǐng)參看 Google黑板報(bào)的數(shù)學(xué)之美12-余弦定理與新聞分類

2.數(shù)據(jù)指紋

當(dāng)搜索引擎通過(guò)相似度把文章收集起來(lái)后，要判別一下是否是重復(fù)文章，經(jīng)常用的就是數(shù)據(jù)指紋，數(shù)據(jù)指紋有很多種算法，常見(jiàn)的比如講文章的標(biāo)點(diǎn)符號(hào)提出，進(jìn)行對(duì)比，你很難想象有兩篇不同的文章，標(biāo)點(diǎn)符合是一致的。還有對(duì)向量進(jìn)行對(duì)比，也就是TF詞頻（關(guān)鍵詞密度）等等來(lái)判斷。

這時(shí)候你可以想象出，現(xiàn)在很多偽原創(chuàng)工具，只是把關(guān)鍵詞進(jìn)行了替換，你想關(guān)鍵詞替換后，標(biāo)點(diǎn)符號(hào)指紋是不變的，甚至連TF詞頻都不變。還有對(duì)文章進(jìn)行段落的重拍，這個(gè)的確是打亂了標(biāo)點(diǎn)符號(hào)，但是向量和詞頻問(wèn)題依然存在。那么這樣的偽原創(chuàng)工具有沒(méi)有價(jià)值你就可想而知了。（可能對(duì)于百度還是有作用的）

3.代碼噪音

前面說(shuō)的這些，都是基于一個(gè)條件的，就是搜索引擎要知道文章是什么，因?yàn)槊總�(gè)網(wǎng)站的模板都不同，代碼也不同，各種信息混合在一起，如果能找到正文就是搜索引擎第一要處理的。

一般Google都會(huì)通過(guò)對(duì)代碼的布局和噪音比例進(jìn)行區(qū)分，哪些是導(dǎo)航，哪些是正文，并可以對(duì)一些典型的代碼進(jìn)行忽略。那么我們?cè)谧瞿０宓臅r(shí)候，就要注意了。這里有個(gè)糾結(jié)點(diǎn)，就是整頁(yè)面降噪，方便搜索引擎進(jìn)行正文的確認(rèn)，但是正文區(qū)要適當(dāng)?shù)募釉�，增加搜索引擎識(shí)別重復(fù)性的難度。

原文地址：老貓博客

標(biāo)簽： seo 偽原創(chuàng) 網(wǎng)站原創(chuàng)文章 

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。