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)

　　对于站长来说，什么都不要想太多原创不原创，根据自己的需要给他们有价值的内容，原创什么都解释不了，原创不一定好。以百度为例，百度知道、百度百科、百度文库、百度网盘等有多少是原创内容？很多都不是原创，那为什么流量这么高呢？因为这些平台这些内容满足了用户的需求。在构建内容时，内容质量和可读性是 网站 运营的关键因素。不要盲目去想所谓的原创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。搜索引擎想要满足用户，网站也想要满足用户，所以只要网站的内容能够持续满足用户需求，赢得用户青睐，网站不是在搜索引擎中出现的一个大问题。它是否受到保护并不重要。 原创一直是个大问题。在很大程度上，互联网生态环境越来越差，采集伪原创低质内容泛滥，严重挤占了优质原创资源的生存空间结果，互联网资源整体质量大幅下降，网民受损，优质站长受损，搜索引擎也受损。说得委婉些，很多站长都在原创建设中没有得到应有的保护。如何增加对网站原创的保护，如何衡量原创能否满足用户的需求，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，但客观上确实进步很大。那么百度是如何保护原创的呢？再说说百度原创。

　　本文内容主要分为以下五点：一、百度谈原创项目； 二、百度原创保护进展；三、站长对原创保护的误解；四、用户对原创的态度；五、@ >为大网站说保护原创名副其实，对于肖战来说，还是保护好优质的内容吧。

　　一、百度谈原创项目

　　1、搜索引擎为什么要重视原创

　　采集洪水。百度的一项调查显示，80%以上的新闻信息是人工或机器复制的采集，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，甚至大学图书馆发出的提醒通知有网站在机器上工作采集。可以说，优质的原创内容是采集所包围的沧海一粟，搜索引擎要淘海是困难和挑战的。

　　改善搜索用户体验

　　数字化降低了传播成本，仪器化降低了采集成本，机器采集混淆了内容来源并降低了内容质量。在采集过程中，无论有意还是无意，采集网页内容不全、格式混乱或附加垃圾等问题层出不穷，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提升用户体验，而这里所说的原创就是优质的原创内容。

　　鼓励原创作者和文章

　　转载和采集分流优质原创网站流量，不再有原创作者姓名，直接影响优质原创网站管理员和作者的收入。长此以往，会影响原创用户的积极性，不利于创新，也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工作。

　　2、采集很狡猾，识别原创难

　　采集 冒充原创 篡改关键信息。目前，大量网站批次采集原创内容后，作者、发布时间、来源等关键信息被人工或机器篡改，冒充原创。这种冒名顶替原创需要被搜索引擎识别和调整。

　　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，而且必须是原创的。但是，原创应该具有社会共识的价值，而不是创造出一个完全没有意义的垃圾，可以算作有价值的优质内容原创。内容虽然独特，但没有社会共识价值。这种类型的伪原创是搜索引擎需要重点识别和打击的。

　　不同的网页使提取结构化信息变得困难。不同站点的结构差异很大，html标签的含义和分布也不同。因此，标题、作者、时间等关键信息的提取难度也大相径庭。在中国互联网目前的规模下，要做到完整、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。以更清晰的结构通知搜索引擎网页的布局将允许搜索引擎有效地提取原创相关信息。

　　3、如何识别百度原创？

　　成立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，为了让优质的原创人原创网站得到应有的收益，为了推动进步中国互联网，我们招聘了大量人员原创项目组：技术、产品、运营、法务等。这不是临时组织，不是一个月两个月的项目，我们已准备好进行一场持久战。 原创识别“原点”算法

　　互联网上有数百亿和数千亿个网页。从中挖掘 原创 内容可以说是大海捞针。我们的原创识别系统是在百度大数据云计算平台上开发的，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分析。首先，将采集和原创按内容相似度聚合，将相似的网页聚合在一起作为原创标识的候选集； 、发布时间、链接指向、用户评论、作者和网站历史原创、转发轨迹等数百个因素来识别和判断原创网页；最后，通过价值分析系统判断出原创内容的价值，进而指导最终排名。

　　目前，通过我们的实验和真实的在线数据，“起源”算法已经取得了一些进展，解决了新闻资讯领域的大部分问题。当然，其他领域还有更多的原创问题等着“原点”解决，我们坚定不移地去。

　　原创星火计划

　　我们一直在做原创内容识别和排序算法调整，但是在当前的互联网环境下，快速识别原创解决原创问题确实是一个很大的挑战。数据规模巨大，采集的方法层出不穷，不同站点的构建方式和模板差异很大，内容提取复杂。这些因素都会影响算法原创的识别，甚至导致判断错误。这个时候，百度和站长需要共同维护互联网的生态环境。站长推荐原创内容，搜索引擎经过一定判断后优先处理原创内容，共同推动生态改善，鼓励原创内容。 @原创，这是“原创 Spark 项目”，旨在快速解决当前面临的严重问题。此外，站长对原创内容的推荐将应用到“起源”算法中，帮助百度找到算法的不足，不断改进，使用更智能的识别算法自动识别< @原创 内容。

　　二、百度原创保护进展原创Spark项目第一阶段和起源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。 ，原创Spark项目已取得初步成果，第一期部分原创重点新闻网站的原创内容已在百度搜索结果中标出原创，作者的展示等等，在排序和流量上也取得了合理的提升。百度LEE也表示，原创起源算法也给了这些优质网站更好的收益。

　　1、原创Spark项目上线前后同期流量对比显示，原创url的流量明显增加。

　　2、原创Spark计划上线后一段时间原创url流量明显增加并逐渐趋于稳定。

　　这是一个小范围的数据，我们在宏观上看。 2013年，低质量网站在中国猖獗，采集和低质量网站作弊网站两类占比高达80%。不良采集站点占比高达40%，而采集站点、作弊站点、垃圾无价值站点在整个互联网资源环境中的比例越来越高，并且有大势所趋，优质资源持续递减空间存在。优质站长受损，原创内容受到极大阻碍。 2014年作弊网站和采集网站占比35%，受到遏制，采集网站下降16%。百度在原创的推广和保护中起到了很大的作用，然而，无价值的网站越来越多，在一定程度上也是“原创”的错，这将是稍后详述。

　　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角度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；是否为原创；信息是否真实有效；无论是权威还是投入 更多的专业知识和经验；是否有作弊。关于页面主要内容的价值，原创这个词不是很突出。什么才是高质量的内容？高质量的内容：高质量内容的网页需要花费大量的时间和精力进行编辑，并投入了大量的经验和专业知识，内容清晰、有效、完整、丰富。例如：专业医疗网站发布的专业医疗页面，内容丰富，专业的文章，资深工程师发布的专业B2C网站彻底解决一个技术难题，完整有效的采购商品专页，权威新闻台原创，或编辑整理的热点新闻报道，网友精心编辑，丰富的百科词条。

　　并且没有原创优质内容的定义。 原创只是优质内容的简写，或者更高层次的优质内容。你的内容是高质量的，原创，当然是最好的，但反过来更尴尬。它是 原创 但质量很低。这是自从百度保护原创之后很多站长都遇到过的一个问题，我整天折腾原创，以为原创内容等于优质内容，但不知道网站的 原创 度正在提高，但网站的价值正在下降。如前所述，2014年无价值网站越来越多，其中很多人对原创内容存在误解，因为不是每个人都能原创制作出高质量的内容。 原创这个词只是优质网页内容的一个非本质特征，可以在一定程度上反映网页内容的稀缺性，但原创不一定是稀缺的，而原创@ > 不代表优质内容内容的所有特点，这些一定要了解。

　　2、原创内容不等于收录

　　网站如果更新的内容是原创，那一定是收录。这种理解其实是错误的，而且是非常错误的。总是有很多人抱怨我的原创文章为什么不收录？也有人抱怨为什么别人抄我的收录？第一个问题其实很简单，为什么要收录你的？这个老土的东西你自己写的，排版很乱，加载要半天。看完之后，你就知道该说什么了。这样的 原创 对搜索引擎对用户有什么价值？我没有解决问题，我只是在那里陶醉，觉得自己的文笔好。而这和你整体网站的权重、结构、历史表现、内外链等有关。

　　第二个问题，为什么别人抄我的收录？也就是别人把你的内容放到他们自己的网页上后，这个网页比你的多了你没有的，也就是增加了额外的价值，也许他的网站声望比你高，也许结构更好，也许没有那么多弹出窗口，也许它更易于用户阅读等等。内容的质量不是由原创决定的，如果搜索引擎不接受收录@ >，不是由原创决定的，至于百度为什么没有收录你的网站，需要多方面思考，而不仅仅是是否是原创。如果真要讲原创和收录这两个字符的关系，那我只能说原创的可能重复率低，仅此而已，但这不是百度收录你的理由。

　　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；或百度搜索研发部在讨论互联网页面价值时指出的受众规模、页面稀缺性、页面大小、页面价值。质量和页面及时性有四个排序标准；或者是站长圈里提到的四个网页的综合排名得分因素：页面基础得分、站内得分、站外得分、用户得分。我们可以发现，页面内容的质量一直只是众多百度页面排名因素之一，原创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？”，“为什么我坚持原创，排名却不好”。其实很多人都有这个问题，有时候我也有。做好优质原创内容确实是提升网站排名的一种可持续且有效的方式，但这只是一种方式，即使不断更新优质原创 ，只是说理论上排名会好，从来没有搜索引擎宣布，只要你有优质的原创内容，我会给你一个好的排名。影响排名的因素很多。虽然内容是网站的重中之重，但你不能保证你的网站不会有其他因素影响你的排名，比如结构，比如加载速度，甚至被黑。

　　网站原创这个值不一定能在页面排名战中脱颖而出。它需要综合各种因素。我想每个人都明白这一点。另外，我刚才假设的是高质量的原创，持续的高质量内容，如果是你认为的原创，按照上面提到的原创内容不同等高质量的内容，对吧？更悲惨的是什么？

　　4、百度直接识别发布时间确定原创还不够吗？

　　很多人可能会说：不容易辨认原创，不容易看出是谁先发的，难道不知道发布时间吗？百度只管大网站，全是鉴别原创假货。我只能说你把原创识别判断太容易了。百度李也表示，发布时间已经确定，单凭发布时间无法判断原创sex。

　　如前所述，百度原创识别系统是在百度大数据云计算平台上开发的。首先，将采集和原创按内容相似度聚合，将Together中的相似网页聚合为原创标识的候选集；其次，对于原创的候选集，通过作者、发表时间、链接指向、用户评论、作者和站点历史原创情况、转发轨迹等上百个因素来识别和判断< @原创 网页。发布时间只是数百个因素之一，直接通过确定发布时间来想原创太容易了。

　　互联网上有数百亿或数千亿的网页。从中挖掘原创内容可以说是大海捞针，而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的建设，不是为你，而是为百度本身。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，采集面临的方法层出不穷。不同站点的构建方式和模板差异很大，内容提取复杂。 原创算法识别等问题，甚至导致判断错误。这就是为什么会有很多 原创 的幻想，没有办法做到。 原创的保护确实是一个非常难的问题。谷歌研究了原创这么多年，还是很不情愿。 原创保护仍然是一个长期存在的问题。

　　说完站长对原创的理解，再来说说用户的态度，大家都在争论原创，你有没有想过它是给谁看的？不适合我们用户，他们怎么看？ 四、网友对原创的态度表示不快，目前大部分网站，包括加入百度星火原创计划中的网站有多少纯属纯原创?大部分由原创、投稿、编辑、精华文章转载等组成，并非全是原创。相反，如果要说纯粹的原创，我觉得还不如一些每天努力创作的小站长。但是为什么用户想见他呢？用户关心什么？用户在观看内容时是否关心原创，或者您认为用户是否关心？用户关心的是内容对他是否有价值？有用还是没用？采用？而不是由谁提供此内容。这个世界上的人最关心的是自己。用户在寻找内容时最关心的是内容给自己带来的好处。至于原创是谁，恐怕只有原作者最关心了。

　　你需要查找一些东西，你寻找内容，你找到它，你非常满意，这就足够了。至于这个内容是不是原创，你在乎吗？没有，我觉得这个网站不错，内容很好，采集了，下次继续。有时候看到一些文章的原作者和原文出处，我就不再去了，因为这个地方已经满足了我的需求，而且这里的速度、排版、结构都很不错，我为什么要去那里找到原创内容。用户是懒惰的，没有人整天找作者，他们在找有价值的内容，这就是为什么现在越有才华的网站，就越不会犹豫留下原创的地址，因为自从原来的作者在乎，他只是留下来，反正他和他的用户都不在乎。

　　那么整天争论 原创 有什么意义，是你的 原创 用户必须观看它？用户不是在寻找原创，他是在寻找价值来解决他当前问题的内容。比如一个用户在找京东上市的信息，在新浪新闻上找到了，很好，但是文章下面的内容是从京东论坛写的，请问这个用户说：我是X，不是文章@原创，原来是京东的。

　　五、@>对于大的网站说保护原创名副其实，对于小网站来说，还是说保护优质内容，在我看来，说保护大网站原创改名是名副其实的。最好为肖战保护优质内容。为什么这么说呢，因为百度强调原创必须有社会共识价值，而不是随便造一个没有意义的垃圾。可以算作有价值的高质量原创内容。对于规模较大的网站，百度知根知底，知名度高，有权威，用户基数大，历史业绩好，所以大部分原创显示，原创 origin算法都发生在*敏*感*词*网站上，因为技术跟不上，部分网站会被提前保护，就像加入Spark原创计划的人一样都是大网站，因为可靠性高，成功率高。

<p>至于小网站，我觉得更多的是鼓励站长创作优质内容，因为想要被保护，首先要有优质的内容来支撑，不然什么百度需要