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)

　　项目投资找A5快速获取精准代理商名单

　　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，但客观地说，确实进步很大。那么百度是如何保护原创的呢？先说百度原创。

　　本文的内容主要分为以下五点：

　　一、百度谈原创项目；

　　二、百度原创保护进度；

　　三、站长对原创保护的误解；

　　四、用户对原创的态度；

　　五、对于大网站说保护原创名副其实，对于小网站来说，不如说保护优质内容。

　　一、百度谈原创项目

　　1、搜索引擎为什么要重视原创

　　采集洪水泛滥

　　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包围的汪洋大海中的一滴水，搜索引擎要淘海是困难和挑战。

　　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，机器采集行为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的流量，不再有原创的作者姓名，直接影响优质原创的收入@> 网站管理员和作者。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，从而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 很难

　　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。这种冒充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generators之类的工具，“原创”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，而不是制造出一个完全没有意义的垃圾，也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。

　　不同的网页使得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有很大差异。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布局将允许搜索引擎有效地提取原创相关信息。

　　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

　　互联网上有数百亿或数千亿的网页。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，通过价值分析系统来判断原创

　　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“起源”来解决，我们坚定不移的去。

　　原创星火计划

　　我们一直致力于原创内容识别和排序算法调整，但在当前互联网环境下，快速识别原创解决原创问题确实面临很大挑战，计算数据规模巨大的。，采集的方法层出不穷，不同站点的构建方式和模板差别很大，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 @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。目前，原创 Spark 项目已经取得初步成果。部分重点原创新闻网站的原创内容在百度搜索结果中已经标注了原创、作者展示等，在排名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的网站更好的收益。

　　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计划在原创上线后的一段时间内，url流量明显增加并逐渐趋于稳定。

　　这是一个小规模的数据，我们是在宏观看。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，

　　（2013低质网站发行）

　　（2014低质量网站发行）

　　三、网站管理员对原创保护的误解

　　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；无论是权威的还是专业投入的知识和经验；作弊的存在与否。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，或编辑整理热点新闻报道，网友精心编辑，丰富的百科词条。

　　而优质内容的定义也没有原创标准。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，这些必须要了解。

　　2、原创内容不等于收录

　　网站如果更新的内容是原创，则必须是收录。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。

　　第二个问题是，为什么别人要复制我的内容收录？也就是别人把你的内容放到自己的网页上后，这个网页比你的多了你没有的，也就是增加了附加值，也许他的网站名声比你高，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，那只能说原创的可能重复率低，仅此而已，

　　3、原创内容不等于排名

　　无论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、可访问性，然后进行排名；或者是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、页面质量等。页面时效性有四种排序标准；或者是站长圈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，而原创只是页面内容质量的一小部分。

　　我经常听到有人说，“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，

　　网站原创这个数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？更悲剧？

　　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：原创不容易识别。很难确定是谁先发布的。确定发布时间就足够了吗？百度在照顾大网站，识别原创都是假的。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，相似的网页聚合在一起为原创。@原创确定的候选集；其次，对于原创候选集，有数百种原创条件、转发轨迹等因素来识别和判断一个原创页面。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，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？这不是为我们的用户准备的，那么他们是怎么想的？

　　四、用户对原创的态度

　　让我说一些不太愉快的话。目前大部分网站，包括加入百度星火原创计划的网站，有多少是纯原创？大部分都是原创创作的，投稿、编辑、精华文章转载等，不全是原创。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。但是为什么用户会看他的而不是你的呢？

　　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？用户关心的应该是内容对他是否有价值？有用还是没用？不是谁提供了这个内容，全世界网站上的人最关心自己，而用户在寻找内容时最关心的是内容给他们带来的好处。至于原创的创作者是谁，只有原作者最关心。

　　你需要查找一些东西，你查找内容，你找到它，并且你非常满意，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，下次继续来。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关心，他只是留下来，他和他的用户不关心'

　　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，他在寻找能够解决他当前问题的价值内容。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JD的。

　　五、对于大的网站说保护原创改名名副其实，对于小网站，不如说保护优质内容

　　在我看来，对大型网站说保护原创比较好，对小型网站保护优质内容更好。为什么这么说，是因为百度强调原创需要有社会共识才有价值，而不是造出一个完全没有意义的废话，才算有价值，高质量 。细心的朋友可能在前面发现，百度每次提到原创，都会添加低质量和高质量之类的词，比如“原创优质内容”、“伪原创低质量的内容“”、“高质量的原创”等等。为什么每次说原创都要带上这些词？因为百度也怕误导站长，也怕站长只看到前面说的原创这个词。这不是百度的目的。百度重视保护原创的根本原因 是为了提升用户体验。原创 不是目的。就是希望小站能创造出优质的内容，所以百度说原创也一直是优质的原创内容。

　　鼓励小网站原创，保护网站原创到保护优质内容、杜绝垃圾采集内容的地步，这样说可能更好，因为高-优质内容还是有A分的，但是原创和原创的评判真的不费吹灰之力。

　　写在最后

　　原创保护对于百度来说肯定是一个长远的打算，不可能一步到位，所以站长一定要有正确的态度，不要盲目原创+整天抱怨，用户真正要的不是原创，我们要的是有价值的内容，百度只是通过原创保护互联网的优质内容，原创只是手段，不是结果，不是最终目的，百度保护原创是维护互联网生态，鼓励站长。网站管理员做 原创 为用户提供有价值和独特的内容，这些就是结果。

　　伪原创有一个问题，很多站长不屑，认为这是抄袭。其实从用户的需求出发，为用户挖掘有价值的内容是很多人都在做的事情，而且往往会挖掘别人的优质内容。这东西对我的用户来说很有价值，为什么不用呢？别人用你就不需要了 现在，这个互联网的资源对你来说可能并不多。可以叫伪原创，也可以叫整合，也可以叫重新打包，但这不是抄袭，也不是随便引用别人的作品就完蛋了。关键是要比别人做得更好，更具竞争力。成功借用别人的作品，不是你抄袭，而是放大它的优点，弥补它的不足，并结合自身优势，使内容更加完整和有价值。如果只是长期盗用别人的内容，做的不如别人好，这叫抄袭。

　　对于站长来说，不要想太多原创没有原创，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，原创没有一定很好。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。搜索引擎要满足用户，网站也要满足用户，所以只要网站的内容 能持续满足用户需求，赢得用户青睐，网站出现在搜索引擎上也不是什么大问题。它是否受到保护并不重要。