搜索引擎为什么要重视原创1.1采集泛滥化(图)

　　搜索引擎为什么要重视原创1.1采集泛滥化(图)

　　一、为什么搜索引擎应注意原创

　　1. 1 采集洪水

　　百度的一项调查显示，超过80％的新闻和信息都通过人工或机器重新发布，从传统的媒体报纸到娱乐网站花边新闻，从游戏指南到产品评论，甚至是提醒大学图书馆发送的邮件中有在机器上工作的站点采集。可以说，高质量的原创含量是采集包围的广阔海洋中的一块小米。对于搜索引擎来说，在海中搜索小米是一项艰巨而艰巨的任务。

　　1. 2改善搜索用户体验

　　数字化降低了传播成本，仪器化降低了采集的成本，并且机器采集的行为混淆了内容来源并降低了内容质量。在采集的过程中，无意或故意地，采集网页的内容不完整，不完整，格式化或出现了其他垃圾邮件，其他问题又陆续出现，这严重影响了搜索结果的质量和用户体验。搜索引擎重视原创的根本原因是为了改善用户体验，此处提到的原创是高质量的原创内容。

　　1. 3鼓励原创作者和文章

　　以采集重印，会转移高质量原创网站的访问量，并且不再使用原创作者的名字，这将直接影响高质量原创的收入网站管理员和作者。从长远来看，它将影响原创人的积极性，不利于创新，也不利于生产新的高质量内容。鼓励高质量原创，鼓励创新以及为原创网站和作者提供合理的访问量，以促进Internet内容的繁荣，应该是搜索引擎的一项重要任务。

　　二、 采集非常狡猾，很难识别原创

　　2. 1 采集伪装为原创，篡改了关键信息

　　当前，在大量网站批采集 原创内容之后，使用手册或机器方法来伪造诸如作者，发布时间和来源之类的关键信息，并假装为原创 。这种假冒原创需要由搜索引擎识别并进行相应的调整。

　　2. 2内容*敏*感*词*，制造伪原创

　　使用自动文章*敏*感*词*之类的工具“创建”文章文章，然后安装醒目的标题，现在的成本非常低，而且必须是原创的。但是，原创要具有社会共识价值，而不是制造不合理的垃圾，这些垃圾可以被视为有价值和高质量的原创内容。尽管内容是唯一的，但它没有社会共识的价值。搜索引擎需要识别并打击这种伪原创类型。

　　2. 3不同的网页使得提取结构化信息变得困难

　　不同的站点在结构上存在较大差异，并且html标签的含义和分布也有所不同。因此，提取诸如标题，作者和时间之类的关键信息的难度也相对较大。当前的中国互联网规模要全面，准确，及时是不容易的。这部分将需要搜索引擎和网站管理员的配合才能更平稳地运行。如果网站站长将更清晰的结构告知搜索引擎网页布局，将使搜索引擎能够有效地提取原创相关信息。

　　三、百度如何识别原创？

　　3. 1建立了原创项目团队来进行长期战斗

　　面对挑战，为了改善搜索引擎的用户体验，使高质量的原创人原创 网站获得他们应得的利益，并促进汉语的发展互联网上，我们吸引了很多人组成一个项目团队原创：技术，产品，运营，法律事务等。这不是一个临时组织，也不是一个为期两个月的项目。我们准备打一场旷日持久的战斗。

　　3. 2 原创识别“来源”算法

　　Internet上有数百亿个网页，从中挖掘原创内容可以说是大海捞针，有很多线索。我们的原创识别系统是在百度大数据的云计算平台上开发的，可以快速实现所有中文Internet网页的重复聚合和链接点关系分析。

　　首先，按照内容相似程度对采集和原创进行汇总，然后将相似的网页作为原创所标识的候选集进行汇总；

　　第二，对于原创候选集，使用数百个因素（例如作者，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）来识别和判断原创个网页；

　　最后，使用价值分析系统判断原创内容的价值并适当指导最终排名。

　　目前，通过我们的实验和真实的在线数据，“起源”算法取得了一些进展，并解决了新闻，信息和其他领域中的大多数问题。当然，其他领域还有更多原创问题等待“起源”解决，我们将坚定不移。

　　3. 3 原创 Spark项目

　　我们一直致力于原创内容识别和排序算法的调整，但是在当前的互联网环境中，快速识别原创来解决原创的问题确实面临着巨大的挑战，计算数据的规模是巨大的面向采集的采集方法层出不穷，其中站点构建方法和不同站点的模板存在巨大差异，复杂的内容提取和其他问题也是如此。这些因素会影响原创的算法识别，甚至会导致判断错误。此时，百度和网站管理员必须共同努力维护互联网的生态环境。网站管理员会推荐原创内容，搜索引擎会根据某些判断优先处理原创内容，并共同促进生态的改善。鼓励原创。这是“ 原创 Spark项目”，旨在迅速解决当前面临的严重问题。此外，网站站长对原创内容的建议将应用于“起源”算法，这将帮助百度找到该算法的不足之处，继续进行改进，并以更智能的识别方式自动识别原创的内容算法。

　　目前，原创 Spark项目也已取得初步成果。某些重要原创新闻站点的原创内容的第一阶段在百度搜索结果中已标有原创，显示了作者等，并且在排名和访问量上也进行了合理的改进。

　　最后，原创是一个生态问题，需要长期改进。我们将继续投资并与网站管理员合作，以促进互联网生态的进步； 原创是一个环境问题，需要所有人共同维护，网站管理员需要做更多原创，推荐更多原创，百度将继续努力改善排名算法，鼓励原创内容，并提供合理的原创作者和原创网站的排名和流量。