搜索引擎如何判断原创文章与伪原创

发表评论 0 条 条评论 发布:jiangwei 发表时间:2011-10-14 标签:
 

  搜索引擎如何判断原创文章与伪原创?我们在做站群的时候,避免不了要大规模的生成大量的内容,一般都是靠采集+伪原创,Google对于伪原创的判别要比百度来的准的多,根据老猫掌握的数据,我们来看下Google是如何判断原创与伪原创的。

  首先我们要先掌握几个概念:

  1.相似度

  相似度是搜索引擎去重用的最多的算法,用的比较多的一种是TF/IDF算法,这个也是计算相关性的算法,TF-IDF的主要意思是说:如果某个词或短语在一篇文章中出现的频率高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。

  TF词频(Term Frequency)指的是某一个给定的词语在该文件中出现的次数。

  IDF反文档频率(Inverse Document Frequency)指的是:如果包含词条的文档越少,IDF越大,则说明词条具有很好的类别区分能力。

  当一篇文章根据TF/IDF进行计算后,形成了一个多维的向量,这个向量就是这篇文章的内容特征向量,当两篇文章的特征向量趋于一致的时候,我们认为这两篇文章的内容接近,如果一致则说明是重复的。

  关于TF/IDF与向量算法的详细请参看 Google黑板报的数学之美12-余弦定理与新闻分类

  2.数据指纹

  当搜索引擎通过相似度把文章收集起来后,要判别一下是否是重复文章,经常用的就是数据指纹,数据指纹有很多种算法,常见的比如讲文章的标点符号提出,进行对比,你很难想象有两篇不同的文章,标点符合是一致的。还有对向量进行对比,也就是TF词频(关键词密度)等等来判断。

  这时候你可以想象出,现在很多伪原创工具,只是把关键词进行了替换,你想关键词替换后,标点符号指纹是不变的,甚至连TF词频都不变。还有对文章进行段落的重拍,这个的确是打乱了标点符号,但是向量和词频问题依然存在。那么这样的伪原创工具有没有价值你就可想而知了。(可能对于百度还是有作用的)

  3.代码噪音

  前面说的这些,都是基于一个条件的,就是搜索引擎要知道文章是什么,因为每个网站的模板都不同,代码也不同,各种信息混合在一起,如果能找到正文就是搜索引擎第一要处理的。

  一般Google都会通过对代码的布局和噪音比例进行区分,哪些是导航,哪些是正文,并可以对一些典型的代码进行忽略。那么我们在做模板的时候,就要注意了。这里有个纠结点,就是整页面降噪,方便搜索引擎进行正文的确认,但是正文区要适当的加燥,增加搜索引擎识别重复性的难度。

  来源:http://www.gnbase.com/thread-8008-1.html

文章作者:jiangwei
本文地址:http://www.fuzhouseoer.com/seo-weiyuanchuang-yuanchuang/
版权所有 © 转载时必须以链接形式注明作者和原始出处!

发表评论

*

* 绝不会泄露


Protected by WP Anti Spam