当前位置:首页 > 自写或外包文章 > 正文内容
四月17日

时间:2013-04-17 20:09

怎样的文章才能被谷歌定义为原创

0
分类:自写或外包文章 | 评论:0人 | 浏览:132次   

1.用copyscape.com检测文章相似度,一定要没有搜索结果才算原创吗?
2.找10篇网上的文章,每个文章抽出两句话,组成一篇新的文章,又或者每20篇文章提取出一句,组成一篇,算原创吗?
网上找的定义:
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(TermFrequency)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(InverseDocumentFrequency)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。

==============

考虑太多了,按照你找的定义,那么除了外包和自己写,那么可能都不行了。其实现在50%不重复,收录的也挺好,基本上被google认定为原创。

 

来源:Dashu.info(微信号/QQ号:43318553),转载请注明出处,谢谢!

  • 评论:(0)
  • 有图有真相

站内搜索

css.php

无觅相关文章插件,快速提升流量