解析google是如何识别文章是原创还是伪原创的？

2013-06-20 15:26:11[英文外链]

在寻找文章的时候，一般都避免不了文章的重复，一般都是靠采集+伪原创，google针对文章伪原创的鉴别力度越来越强，301seo专业英文网站优化团队看下Google是如何判断原创与伪原创的。
　　1.文章的相似度
　　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。
　　了解了以上两个名词的汉以后，我们再来说怎应用
　　文章相似度是搜索引擎用得最多的算法也是重要的算法之一，TF/IDF算法是用的比较多的一种，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。
　　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。这个在具体使用的过程中，就会渐渐明白的。文章是我们做seo重要的一环，随着google不断的更新，对文章的审核力度就会越来越严格，要求的质量就越高，只使用伪原创根本达不到google的要求，适当的人工修改，维持原文的意思，提升整体文章的质量才是明智之举。

最新文章 / New

每月佳文 / Top

联系我们 / Contact

解析google是如何识别文章是原创还是伪原创的？