关键句采集 原创(百度是如何保护原创的?百度谈原创项目那点事)

　　关键句采集 原创(百度是如何保护原创的?百度谈原创项目那点事)

　　原创性一直是个大问题。规模越大，生态环境越差，假原创、低质量内容的采集

泛滥，严重挤压了优质原创资源的生存空间。结果，互联网资源的整体质量大幅下降，网民受到了损害，他们的质量受到了损害，他们也受到了损害。在较低的层面上，许多站长在没有应有保护的情况下进行原创建设。如何加大对网站原创性的保护，如何衡量原创性是否能够满足用户的需求，是一项艰巨的任务。为此，百度一直在进行原创保护和展示建设，因为这是用户的需求。虽然进展缓慢，客观上确实有很大的进步。那么百度是如何保护原创的呢？先说百度原创。

　　本文内容主要分为以下五点：

　　一、百度谈原项目；

　　二、百度原创保护的进展；

　　三、 站长对原创保护的错误认知；

　　四、用户对原创的态度；

　　五、对于大型网站来说，值得说的是保护原创内容更好。对于小型网站，最好是保护高质量的内容。

　　一、百度谈原创项目

　　1、为什么搜索引擎要重视原创性

　　收购泛滥

　　来自百度的一项调查显示，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，甚至大学图书馆发布的提醒，80%以上的新闻和信息都是人工复制或机器采集。它还通知所有站点都在进行机器采集

。可以说，优质的原创内容是一片被浩瀚采集

海洋包围的小米。通过搜索引擎在海中搜索小米既困难又具有挑战性。

　　改进搜索

　　数字化降低了传播成本，工具化降低了采集成本，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，无意或有意地出现了网页内容不完整不完整、格式混乱、垃圾增加等问题，严重影响了搜索结果的质量和用户体验。搜索引擎重视原创性的根本原因是为了提升用户体验。这里所说的原创是高质量的原创内容。

　　鼓励原创作者和文章

　　转载和采集

分流了优质原创网站的流量，不再有原作者姓名，这将直接影响优质原创站长和作者的收入。长此以往，会影响原创者的积极性，不利于创新，不利于新的优质内容的产生。鼓励优质原创，鼓励创新，给予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。

　　2、 采集

很狡猾，很难辨认原作

　　采集

冒充原创并篡改关键信息

　　目前，大量网站在批量采集原创内容后，通过人工或机器手段篡改作者、发布时间、来源等关键信息，冒充原创。这种冒充原创需要被搜索引擎识别并进行相应调整。

　　内容*敏*感*词*，创建伪原创

　　使用自动文章*敏*感*词*之类的工具“创建”一篇文章，然后安装一个醒目的标题，现在成本很低，而且必须是原创的。但是，原创性必须具有社会共识的价值，而不是做出无理的垃圾，才能算得上有价值的优质原创内容。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。

　　不同的网页，难以提取结构化信息

　　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。提供全面、准确和及时的信息并不容易。在中国互联网目前的规模下，这并不容易。这部分需要搜索引擎和站长的配合才能运行得更顺畅。如果网站管理员将网页布局以更清晰的结构通知搜索引擎，将使搜索引擎能够有效地提取原创

和相关信息。

　　3、百度如何识别原创？

　　组建原创项目组打持久战

　　面对挑战，为了提升搜索引擎的用户体验，为了让优质的原创网站获得应有的收益，为了推动中国互联网的进步，我们吸引了大量的组建原创

项目团队的人数：技术、产品、法务等，这不是临时组织，也不是一两个月的项目。我们准备打持久战。

　　原创识别“原点”算法

　　互联网上有数百亿、数千亿的网页，从中发现原创内容可以说是大海捞针。我们独创的识别系统，在百度大数据云计算平台上开发，可以快速实现对所有中文互联网网页的重复聚合和链接点关系分析。首先，根据内容相似程度聚合采集

和原创，将相似的网页聚合在一起，作为原创识别的候选集；第二，对于原创

候选集，使用作者、发布时间、链接方向、用户评论、作者和站点的历史原创性。利用情况、转发轨迹等数百种因素对原创

网页进行识别和判断；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，还有更多其他领域的原创问题等着《Origin》去解决，我们也有心去。

　　原星火项目

　　我们一直致力于原创内容的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、解决原创问题确实是一个很大的挑战。计算数据的规模巨大，面临的采集方式更是层出不穷。不同站点的建立在方法和模板、内容提取复杂等问题上存在巨大差异。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。站长推荐原创内容，搜索引擎在一定判断后优先对待原创内容，共同推动生态改善，鼓励原创。这就是“Original Spark Project”，旨在快速解决当前面临的严重问题。此外，站长推荐的原创内容将应用到“原创”算法中，帮助百度发现算法的不足，不断改进，使用更智能的识别算法自动识别原创内容。

　　二、百度原创保护进展

　　距离Original Spark Project的第一阶段和Origin算法出来已经有一段时间了。目前主要覆盖一些大型新闻网站。目前，原星火项目已初见成效。首期部分重点原创新闻网站原创内容在百度搜索结果中给出了原创标签、作者展示等，也实现了排名和流量的合理提升。百度LEE也表示，原创

的起源算法也让这些优质网站获得了比较好的利润。

　　1、 原创

Spark程序上线前后同期流量对比显示，原创

URL流量明显增加。

　　2、原来的Spark程序上线一段时间后，原来的URL流量显着增加并逐渐趋于稳定。

　　这是一个小范围的数据，让我们宏观看看。2013年，我国低质量网站泛滥成灾，低质量网站和作弊网站两类网站合计占比高达80%。不良采集站占比高达40%，采集站、作弊站点、垃圾无价值站点在整个互联网资源环境中的占比越来越大，且有主导趋势，优质资源的空间越来越大不断缩小。优质站长吃亏，原创内容受阻。2014年作弊站和收款站占比35%，有所遏制。采集

站下降了 16%。百度在保护原创宣传方面起到了很大的作用。然而，越来越多无价值的网站，在某种程度上。也是“原创”的错，后面会详细讨论。

　　（2013年低质量网站分布）

　　（2014年低质量网站分布）

　　三、站长对原创保护的误解

　　1、原创内容不等于优质内容

　　网页的主要内容是网页的价值。百度主要从以下几个方面评价网页内容的质量：内容制作成本；内容是否有效、完整、丰富；是否原创；信息是否真实有效；是否权威或投入了更多的专业知识和经验；有没有作弊。对于页面主要内容的价值，原创这个词不是很突出。

　　什么被认为是高质量的内容？内容质量高：内容质量好的网页需要更多的时间和精力编辑，投入大量的经验和专业知识，内容清晰、有效、完整、丰富。例如：专业医学网站发布的内容丰富的医学专题页面、高级工程师发布的彻底解决某个技术问题的专业文章、专业的B2C网站、完整有效的产品购买页面、权威新闻站原创或编辑的热点新闻报道，内容丰富的百科词条，经网友精心编辑。

　　高内容质量的定义没有原创

标准。原创性只是高质量内容或更高水平的高质量内容的一个简单术语。你的内容质量高，原创性当然是最好的，但另一方面，它更尴尬。它是原创

的，但质量很低。这是百度保护原创以来，很多站长都遇到的问题。他们整天摆弄原创，认为原创内容就等于优质内容，谁都知道网站的原创性在增加，但网站的价值却在下降。

　　如前所述，2014年无价值的网站越来越多，很多网站对原创内容存在误解，因为不是每个人都能创作出高质量的原创内容。原创性只是优质网络内容的一个非本质特征，在一定程度上可以反映网络内容的稀缺性，但原创性并不一定稀缺，原创性并不代表优质内容的所有特征。这些必须明白。

　　2、原创内容不代表收录

　　如果是原创，则必须收录

网站的更新内容。这种理解其实是错误的，也是非常错误的。总是有很多人抱怨为什么我的原创文章没有收录？有些人抱怨为什么其他人复制了我的并将它们收录

在内？第一个问题其实很简单，你为什么要包括你的？自己写的这个老东西，布局杂乱，加载时间长。读完之后，你就会知道该说什么。这种原创性对搜索引擎有什么价值？并没有解决问题，但我陶醉在那里，觉得我有一个很好的文采。而这与您整个网站的权重、结构、历史表现、内部和外部链接有关。

　　第二个问题是为什么有人复制我的并收录

它？也就是有人把你的内容放到你自己的网页后，这个网页比你的多，你没有，增加了附加值，可能他网站的知名度比你的高，结构可能更好，有可能没有那么多弹窗，可能用户可读性更强等等。内容的高品质不是由原创决定的，搜索引擎不收录，也不是原创决定。至于百度为什么不收录你的网站，你需要从多方面考虑，而不仅仅是是否原创。如果真要讲原词和收录的关系，我只能说原词的重复度可能很低，仅此而已，

　　3、原创内容不等于排名

　　是否是百度搜索质量白皮书衡量网页的内容质量、网页浏览体验和可访问性，然后对其进行排名；或者百度搜索研发部门在讨论网页价值时，指出了受众规模、页面稀缺性和页面质量。页面时效性的四大排名标准；或者站长圈提到的四个网页的综合排名评分因素：基础评分、站内评分、站外评分、用户评分。我们可以发现，页面内容质量一直只是百度页面排名的众多因素之一，原创性只是页面内容质量的一小部分。

　　经常听到有人说，为什么我的原创文章没有排名？和“为什么我坚持原创，但排名不好”。其实很多人都有这个问题，有时候我也有。做优质的原创内容确实是一种持续有效的提升网站排名的方法，但这只是一种方法。即使你不断更新高质量的原创内容，也只是理论上排名会更好。没有搜索引擎宣布：只要你有高质量的原创内容，我就会给你排名。影响排名的因素有很多。虽然内容是网站的重中之重，但您不能保证您的网站不会有其他影响您排名的因素，例如结构、加载速度，甚至被黑客入侵。

　　网站原创性的价值不一定在页面订购战中脱颖而出。它需要综合各种因素。我想每个人都明白这一点。此外，我刚刚假设的是高质量的原创和持续的高质量内容。如果只是原创内容你认为是原创，按照上述原创内容不等于优质内容，岂不是更悲剧？

　　4、 难道百度直接识别发布时间确定原文还不够吗？

　　很多人可能会说：原作不容易辨认。这取决于谁先发布它。确定发布时间还不够吗？百度照顾大网站，原件鉴定是假的。我只能说你太容易想到原创

的识别和判断了。百度李也表示，发布时间其实早就确定了，不能单纯以发布时间来判断原创性。

　　如前所述，百度原创识别系统是在百度大数据的云计算平台上开发的。首先，通过内容的相似度聚合采集

和原创，将相似的网页聚合在一起，作为原创识别的候选集；其次，对于原创

候选集，通过作者、发布时间、链接方向、用户评论、作者和站点的历史原创性、转发轨迹等数百个因素来识别和判断原创

网页。发布时间只是这数百个因素中的一个。直接通过确定发布时间来判断原创性太容易了。

　　互联网上有数百亿、数千亿的网页，从中挖掘出原创内容可以说是大海捞针，识别原创的过程非常复杂，甚至更加困难。百度确实一直致力于原创建设，不是为你，而是为百度自己。然而，解决原创

问题确实面临着巨大的挑战。计算数据规模巨大，面临的采集方式层出不穷，不同站点的建站方式和模板差异巨大，内容提取复杂等，都会影响原有算法的识别，甚至导致出错在判断中。. 这就是为什么有很多原创

文物的原因。没有办法。原件的保护确实是一个非常棘手的问题。谷歌研究原创这么多年，还是舍不得。原创

保护仍然是一个长期问题。

　　说完站长对原创的理解，再来说说用户的态度。我们正在争论原创性。你有没有想过它是为谁创造的？它不适合我们的用户。那么他们是怎么想的呢？

　　四、用户对原创的态度

　　说句难听的话，现在的网站，包括加入百度星火原创项目的网站，有多少是纯原创的？大部分由原创、投稿、编辑、精华文章转载等组成，并不都是原创。. 恰恰相反，纯粹是原创，我觉得他们还不如一些每天努力创作的苦涩小站长。但为什么用户会看他的而不是你的？

　　用户关心什么？用户在查看内容时是否关心原创性，还是您认为用户关心？用户关心的应该是内容对他是否有价值？有用还是没用？不是谁提供了内容，世界上最多的人他们关心的都是自己，而用户在寻找内容时最关心的是内容给他们带来的好处。至于原作者是谁，恐怕只有原作者最在意。

　　你需要搜索一些东西，你找到内容，你找到它，你很满意，这就足够了。至于这个内容是否原创，你在乎吗？我不会。我觉得这个网站很好，内容也很好。采集

起来，下次继续来。有时候看到一些文章的原作者和原出处，我就不会再去看了，因为这已经满足了我的需求，而且这里的速度、布局、结构都非常好。为什么要找原版内容。用户懒惰。没有人整天都在寻找作者。他们正在寻找有价值的内容。这就是为什么越牛的网站不太犹豫留下原地址的原因，因为既然原作者在乎，他就保留了。反正他和他的用户都不在乎。

　　那么整天追求原创的意义何在？是你原来的用户看的？用户不是在寻找原创内容，而是在寻找可以解决他们当前问题的有价值的内容。例如，用户在寻找京东的上市信息，在新浪新闻上找到了。挺好的，不过文章下面的内容来自京东论坛。这个用户会不会说：“IX，不是原创，原来是京东的，垃圾，不要再看新浪新闻了？我不这么认为，作为用户，只要有价值，原创谁在乎？

　　五、对于大型网站来说，值得说的是保护原创内容更好。对于小型网站，最好是保护高质量的内容。

　　在我看来，对于大网站来说，值得说的是保护原创内容更好，小网站保护优质内容更好。你为什么这么说？因为百度强调原创要有社会共识价值，而不是做无理取闹的文章。垃圾可以算作有价值的、高质量的原创内容。对于大型网站，百度知根知底、知名度高、权威性强、用户群体大、历史业绩好。因此，大部分原创

呈现和原创

起源算法发生在大型网站上。因为技术跟不上，有些网站会提前被保护。就像加入Spark Original Project的大型网站一样，因为它们的可信度高，成功率高。

　　对于小网站，我觉得更多的是鼓励站长创作高质量的内容，因为想要受到保护，首先必须要有高质量的内容支撑，否则百度需要的原创性又如何呢？细心的朋友可能在前面发现，百度每次提到原创都会添加低质量、高质量的词，比如“原创高质量内容”、“伪原创低质量内容”、“高质量”原创”等。为什么每次说原创都要带这些词？因为百度也怕误导站长，也怕站长只会看到前面提到的原创二字。这不是百度的目的。百度重视原创性保护的根本原因是为了提升用户体验。原创不是目的。希望小站创造优质内容是目的。所以，百度讲的原创一直都是优质的原创内容。

　　鼓励小网站的原创性。保护网站的原创性比保护高质量的内容和消除垃圾采集

更好。这么说可能更好，因为优质内容是有谱的，但原创性和原创性判断真的是无稽之谈。

　　写在最后

　　原创性保护绝对是百度的一项长期计划，不可能一步到位。所以，站长们一定要认清自己，不要一味的原创+整天抱怨。用户真正想要的不是原创，他们想要的是有价值的内容，百度只是保护原创，提升互联网的优质内容。原创只是一个衡量标准，不是结果，也不是最终目的。百度保护原创，维护互联网生态，鼓励站长。站长们原创创作，为用户提供有价值且独特的内容，这就是结果。

　　其中，存在伪原创问题。很多站长不屑一顾，认为这是抄袭。其实很多人都是从用户的需求出发，做对用户有价值的内容的挖掘，往往会挖掘出别人的优质内容。这东西对我的用户很有价值，为什么不呢？如果其他人使用它，您不必是的，那么这个互联网的资源对您来说可能并不多。你可以称之为伪原创，也可以称之为整合，也可以称之为重新包装，但这不是抄袭。不是直接引用别人的话。重点是比别人做得更好，更有竞争力。成功地借用别人的成果，不是让你抄袭，而是放大自己的优势，弥补自己的不足，并结合自身优势，使内容更加完整和有价值。如果你只是长期盗用别人的内容，而你做的不如别人，这叫做抄袭。

　　对于站长来说，不要过多考虑什么是原创，什么不是原创，只需要根据用户的需求给他们有价值的内容即可。原创不代表什么，原创不一定好。以百度为例。百度知道多少，百度百科、百度文库、百度网盘等都是原创内容？很多都不是原创，为什么流量这么高？因为这些平台的内容满足了用户的需求。在构建内容时，内容质量和可读性都是关键因素。不要盲目思考所谓的原创性，而忽视用户和内容本身的质量。用户体验是未来的发展方向。搜索引擎必须让用户满意，网站必须让用户满意。所以只要网站的内容能够持续满足用户的需求，获得用户的青睐，网站在搜索引擎上的展示就不会太多。大问题。它是否受保护并不重要。