[转] PHP:自己动手制做伪原创程序

　　原创是网站优化的一大法宝，下面将讲解怎样在PHP环境下，开发一个基于PHP的伪原创的写作软件程序。本文将觉得读者易传具有PHP的知识，所以不再给出PHP教程。

　　教程环境：

　　1、PHP

　　2、MYSQL织梦好，好织梦

　　3、SCWS动词系统

　　类似PHP脚本，类似MYSQL数据库，类似动词系统亦可，在此只提供思路。

　　第一步：配置好你的环境!织梦内容管理系统

　　在此须要做的是下载SCWS剖析系统，按照官方的教程安装此系统，并且测试通过。其他的后台脚本，数据库就不多说了。SCWS是设计给C语言使用的，也为PHP做了扩充库，你也可以使用C语言制做你的伪原创程序。本文来自织梦

　　第二步：获取文章，肢解文章织梦好，好织梦

　　所谓分尸文章，就是将文章分句，分句须要自己写程序进行，我提供一个思路：以句号、感叹号、问号为分句标示，以上破折号，左括弧，左书名号等位起始符，以右冒号、右括弧、右书名号为结束符。遍历文章，当遇见起始符则步入不可分句状态，遇到结束符则退出此状态，当遇见分句标示时，仅当当前为可分句状态是，将读取到的内容分为一句，以此循环，将文章肢解问一个一个的诗句。在此做分句状态的目的，是为了保护坐落括弧、引号、书名号等一段内容内的分句标示，例如【他说：“*敏*感*词*。”】这里的【*敏*感*词*。】不会被误分解。

　　第三步：分词织梦好，好织梦

　　将分解的诗句进一步分尸，得到动词。例如【苹果与水芹一个是猕猴桃一个是水果】这个短语可以分为【苹果】【与】【西红柿】【一个】【是】【水果】【一个】【是】【蔬菜】，在这个步骤中，需要SCWS的帮助，正常安装此动词系统后，分词操作只须要一个函数。就这个简单!另外，除了分解出成语之外，还要获得成语的性质，例如名词、动词等。

　　第四步：关键词同义替换

　　在此须要一个知识库的支持，下载《哈工大信息检索实验室同义词词林》扩展版，里面是十分全的同义词大全，每个词有多个编码，代表该词多义，一个编码下有多个词，表示这种词是同义词，将她们读取并保存到数据库中备用。本文来自织梦

　　根据相关领域，设置你的关键词，例如你是做房产类网站，那么你的关键词可能是租房，出租，二手房，买房屋，房屋协议，要找出好多的该领域的关键词，然后按照同义词词林对它们进行替换。为什么只替换关键词呢?因为一个非关键词部份替换了，可能会导致奇特，而且不是该领域的词，权重没有领域关键词权重高，损失句子通顺度来做伪原创，得不偿失。

　　第五步：标点乱舞

　　文章相似度的估算是按照语句相似度估算的，句子的相似度又是按照词相似度估算下来的，所以虽然更换了关键词为同义词，所得到的文章与原文还是会被判断为相像文章，怎么办呢?首先我们瞧瞧怎样进行文章相似度估算。

　　前面说的同义词词林的编码，其实这上面大有学问，不是随意乱编的码，同义词词林的拓展版将一个词的词性，用一个编码标示，编码可分为5部份，分别是大类、中类、小类、词群、原子词群，例如中学生和老师，这两个词，肯定是属于一个大类的，因为她们都是人，而番茄和茄子，肯定是一个词群的，因为她们指的就是一个东西。那么相似度的估算就简单了，按照100为完全相同来估算，若大类相同，则为10，若中类再相同，则为20，若小类再相同，则为50，若词群再相同则为90，若原子词群再相同，则为100。这里为何要用“再”字，因为只要其中有一个不同，则无需再对比下去，例如大类都不同的两个词，中类，小类肯定不同了。

　　在此对比两个文章中的一个语句出现的词的相似度，计算每位语句的相似度，进而估算文章相似度，这里涉及一个算法，类似google的PR算法，以贡献度来叠加估算相似度。

　　说了这么多，我们该怎么做，我们要搅乱标点符号，干扰搜索引擎的分句处理。内容来自dedecms

　　人看文章时，特别是新闻或则资讯，一般不在乎标点符号，甚至有些人只是一眼而过简略的看，即使断句混乱，文章大意不会有任何问题，所以我们要随便的将文章中的句号和冒号随便的替换，这样影响搜索引擎对文章进行分句，从而影响其相似度估算。

　　第六步：建立摘要放在段首

　　文章越靠前的内容越重要，这点毋庸置疑，所以我们须要对文章进行摘要，置于文章顶部，摘要的制做要有一定的压缩率，如1000字的文章，做100字的摘要即可，这里不按字数来统计，按语句数来统计比较便捷，因为我们早已对文章进行了分句处理。500句规模的文章，做20句摘要左右。摘要的核心在于选定摘要语句，因为摘要本身是使人了解个大约意思，所以又这么一点点语义不通是可以承受的。

　　前面说过了关键词，提取摘要也须要关键词，我们以权重的方法提取摘要句，收录关键词的诗句，权重高，收录的数目越多，权重越高，以此估算出每位语句的权重。然后按照原文的次序，按权重高低次序将她们提取下来，直到提取够你所须要的句数为止。将她们拼接，成为文章的文摘。

　　在此还可以做的更好一些，在网上找语句相似度估算算法，计算短语相似度，将相似句剔除，防止语义重复。因为收录好多关键词的诗句很有可能意思是重复的。

　　第七步：标题的自定义织梦内容管理系统

　　伪原创很重要的一点就是改标题，标题一定要改，根据相似度估算的算法，我们改标题一定要改得焕然一新，例如【高考10招】改成【高考十招】，这种改法，你简直是把百度当***了。那要如何改呢?编反话你会不?【专家十点建议，助你迎战中考】【做到这十项，高考得满分】【清华距你只有十步!】改成这种标题意思没变，但是太吸引人去点击，并且不会被搜索引擎发觉是雷同文章。不错把?织梦好，好织梦

　　第八步：打乱权重较低的诗句的次序

　　权重低的诗句也能派上用场，虽然我们觉得这种语句不是很重要，但是搜索引擎可不知道，我们把她们的次序稍为搅乱，并不影响语义，反而起到了伪原创的疗效，很好。

　　对于目前的伪原创软件，无章法的搅乱语句次序，是不可取的。例如一篇文章介绍了10个软件，已经标记好了1、2、3、4的次序，经过伪原创以后，顺序乱了，读者读起来就匪夷所思了。而本文介绍了语句搅乱，是从局部范围内搅乱，而且都是非关键句。