资讯内容采集系统(搜索引擎为什么要重视原创1.1采集泛滥化(一)_)

　　资讯内容采集系统(搜索引擎为什么要重视原创1.1采集泛滥化(一)_)

　　一、搜索引擎为什么要重视原创

　　1.1采集 洪水

　　来自百度的一项调查显示，80%以上的新闻和信息都是通过人工或机器转发采集，从传统媒体报纸到娱乐网站花边新闻，从游戏指南到产品评论，甚至大学图书馆发送的提醒有网站做机器采集。可以说，优质的原创内容是被采集包围的海洋中的一粒小米。通过搜索引擎在海中搜索小米是困难和具有挑战性的。

　　1.2提升搜索用户体验

　　数字化降低了传播成本，工具化降低了采集的成本，机器采集的行为混淆了内容来源，降低了内容质量。在采集过程中，无意或故意造成采集网页内容不完整、不完整、格式化或附垃圾等问题层出不穷，严重影响了搜索质量结果和用户体验。搜索引擎重视原创的根本原因是为了提升用户体验。这里，原创是高质量的原创内容。

　　1.3 鼓励 原创 作者和 文章

　　转载和采集引流优质原创网站流量，不再有原创作者姓名，直接影响优质原创的收益@> 网站管理员和作者。长此以往，会影响原创的积极性，不利于创新，不利于产生新的优质内容。鼓励高质量的原创，鼓励创新，给原创网站和作者合理的流量，促进互联网内容的繁荣，应该是搜索引擎的一项重要任务。

　　二、采集很狡猾，识别原创很难

　　2.1采集冒充原创，篡改关键信息

　　目前，在大量网站批采集原创内容后，他们通过人工或机器方式篡改作者、发布时间、来源等关键信息，并假装成成为原创。这种冒充原创需要被搜索引擎识别并进行相应调整。

　　2.2内容*敏*感*词*，制造伪原创

　　使用自动文章*敏*感*词*等工具“创建”一篇文章文章，然后安装一个醒目的标题。现在成本很低，必须是原装的。但是，原创必须具有社会共识的价值，而不是制造出一块可以算作有价值、优质的原创内容的无理垃圾。虽然内容独特，但不具备社会共识的价值。这种伪原创正是搜索引擎需要识别和打击的。

　　2.3 不同的网页使得提取结构化信息变得困难

　　不同站点的结构大不相同，html标签的含义和分布也不同。因此，提取标题、作者、时间等关键信息的难度也大不相同。目前的中国互联网规模要做到全面、准确、及时，实属不易。这部分需要搜索引擎和站长的配合才能运行得更顺畅。如果站长使用更清晰的结构将网页的布局告知搜索引擎，将使搜索引擎能够高效地提取关于原创的相关信息。

　　三、百度识别原创 路怎么走？

　　3.1成立项目组原创打持久战

　　面对挑战，为了提升搜索引擎的用户体验，为了让优质的原创人原创网站得到他们应得的利益，为了推动中国互联网的进步，我们吸引了大量人员原创项目团队：技术、产品、运营、法律事务等。这不是临时组织，不是一个月-两个月项目。我们准备打一场持久战。

　　3.2原创识别“起源”算法

　　互联网上有数百亿、数千亿的网页，从中挖掘原创的内容可以说是大海捞针。我们在百度大数据云计算平台上开发的原创识别系统，可以快速实现所有中文互联网网页的重复聚合和链接指向关系的分析。首先，通过内容相似度聚合采集和原创，将相似的网页聚合在一起，作为原创标识的候选集；其次，对于原创的候选集，通过作者发布时间、链接方向、用户评论、作者和站点历史、原创情况、转发轨迹等数百个因素，得到用于识别和判断原创网页；最后，

　　目前，通过我们的实验和真实的在线数据，“起源”算法已经取得了一些进展，解决了新闻、信息等领域的大部分问题。当然，还有更多原创 其他领域的问题等待“Origin”解决，我们也有决心去。

　　3.3原创 星火项目

　　我们一直致力于原创内容识别和排序算法调整，但在目前的互联网环境下，快速识别原创解决原创问题确实面临很大的挑战，计算数据的规模是巨大的。，我们面临的采集方法层出不穷，不同站点的方法和模板差别很大，内容提取也很复杂。这些因素都会影响原创算法的识别，甚至导致判断错误。这时候就需要百度和站长共同维护互联网生态环境。站长推荐原创的内容，搜索引擎会在一定判断后优先处理原创的内容，并共同推动生态的改善和鼓励原创，这就是“原创星火项目”，旨在快速解决当前的严重问题。另外，站长对原创内容的推荐将应用到“起源”算法中，帮助百度发现算法的不足，持续改进，自动识别原创的内容，识别更智能算法。