google英语伪原创(Google是如何判断原创与伪原创的？（一）)

　　google英语伪原创(Google是如何判断原创与伪原创的？（一）)

　　我们在建站群的时候，不能避免*敏*感*词*的产生大量的内容。一般我们靠采集

+伪原创。谷歌对伪原创的判断比百度准确得多。根据老毛手上的数据，我们来看看谷歌是如何判断原创和伪原创的。

　　首先，我们要先掌握几个概念：

　　1. 相似性

　　相似度是搜索引擎最常用的算法。最常用的算法是TF/IDF算法，它也是一种计算相关性的算法。TF-IDF的主要含义是说：如果一个词或词组在同一篇文章中出现的频率很高，而在其他文章中很少出现，则认为这个词或词组具有良好的分类能力，适合分类。

　　TF词频（Term Frequency）是指给定词在文件中出现的次数。

　　IDF逆文档频率（Inverse Document Frequency）是指：如果收录

条目的文档越少，IDF越大，说明条目具有较好的类别区分能力。

　　当一篇文章按照TF/IDF进行计算时，就形成了一个多维向量。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相同时，我们认为两篇文章的内容相近，如果相同，则说明是重复的。

　　TF/IDF和向量算法的详细介绍请参考谷歌黑板的数学之美12-余弦定律和新闻分类

　　2.数据指纹

　　搜索引擎根据相似度采集

文章时，需要判断是否为重复文章。经常使用数据指纹。数据指纹有很多算法。标点符号和文章比较等常见的对您来说很困难。想象一下，有两篇不同的文章，标点符号是一致的。还有一个比较向量，就是TF词频（关键词密度）等等来判断。

　　这时候，你可以想象现在很多伪原创工具只是替换了关键词，而你认为​​替换了关键词后，标点指纹是一样的，甚至TF词的出现频率也没有变化. 还有一篇文章的段落重拍。这确实打乱了标点符号，但向量和词频问题仍然存在。那么你就可以想象这种伪原创工具的价值了。（可能对百度有用）

　　3.代码噪声

　　以上都是基于一个条件，就是搜索引擎需要知道文章是什么，因为每个网站的模板不同，代码也不同。各种信息混杂在一起。如果你能找到文本，搜索引擎是第一个。待处理。

　　一般谷歌会区分代码的布局和噪声比，哪些是导航，哪些是文本，可以忽略一些典型的代码。所以我们在制作模板的时候一定要注意。这里有一个纠结点，就是整页降噪，方便搜索引擎确认文字，但文字区域要适当干燥，增加搜索引擎识别重复性的难度。