解读：百度识别原创文章算法的具体细节

　　百度识别原创 文章算法的细节

　　根据百度工程师的说法，在百度大数据云计算平台上开发的百度原创识别系统可以快速实现所有中文互联网网页的重复聚合和链接点关系分析. 首先，通过内容相似度聚合采集和原创，并将相似的网页聚合为原创标识的候选集；其次，对于原创个候选集，使用作者，发布时间，链接点，用户数百种因素（例如评论，作者和站点历史原创情况，转发轨迹等）来识别和判断原创网页最后，由价值分析系统判断原创内容的价值，以适当地指导最终排名. 同时，LEE表示，通过实验和真实的在线数据，百度原创在识别“起源”算法方面取得了一些进展，并解决了新闻，信息和其他领域中的大多数问题. 下面简要介绍原创 文章算法的具体细节.

　　1. 搜索引擎为什么要注意原创

　　1.1 采集洪水

　　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，甚至是提醒，超过80％的新闻和信息都是手动或通过机器采集重新发布的由大学图书馆发送的邮件中有正在运行机器的站点采集. 可以说，高质量的原创含量是被采集包围的广阔海洋中的小米. 对于搜索引擎来说，在海中搜索小米是一项艰巨而艰巨的任务.

　　1.2改善搜索用户体验

　　数字化降低了传播成本，工具化降低了采集的成本，并降低了机器采集的行为，从而混淆了内容来源并降低了内容质量. 在采集的过程中，无意或有意地在采集网页上出现了诸如网站内容不完整或不完整，格式混乱或垃圾邮件等问题，这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改善用户体验. 这里提到的原创是高质量的原创内容.

　　1.3鼓励原创位作者和文章

　　以采集重印，可转移高质量原创网站的访问量，并且不再使用原创作者的名字，这将直接影响高质量原创的收入网站管理员和作者. 从长远来看，它将影响原创人的热情，不利于创新，也不利于生产新的高质量内容. 鼓励高质量原创，鼓励创新以及为原创网站和作者提供合理的访问量，从而促进Internet内容的繁荣，应该是搜索引擎的一项重要任务.

　　第二，采集非常狡猾，很难识别原创

　　2.1 采集伪装为原创，篡改了关键信息

　　当前，在采集 原创内容的大量网站批处理之后，使用手册或机器方法来伪造诸如作者，发布时间和来源之类的关键信息，并假装为原创 . 这种假冒原创需要由搜索引擎识别并进行相应调整.

　　2.2内容*敏*感*词*，制造伪原创

　　使用诸如自动文章*敏*感*词*之类的工具“创建”文章文章，然后安装醒目的标题，现在的成本非常低，而且必须是原创的. 但是，原创具有社会共识价值，而不是制造不合理的垃圾，这些垃圾可以被视为有价值和高质量的原创内容. 尽管内容是唯一的，但它没有社会共识的价值. 搜索引擎需要识别并打击这种伪原创类型.

　　2.3区分网页，难以提取结构化信息

　　不同的站点具有相对较大的结构差异，并且html标签的含义和分布也不同. 因此，提取诸如标题，作者和时间之类的关键信息的难度也相对较大. 当前的中国互联网规模要全面，准确，及时是不容易的. 这部分将需要搜索引擎和网站管理员的配合才能更平稳地运行. 如果网站站长将更清晰的结构告知搜索引擎网页布局，将使搜索引擎能够有效地提取原创个相关信息.

　　原创是一个环境问题，需要每个人维护. 网站管理员应做更多的工作原创，并推荐更多的工作原创. 百度将继续努力改进排序算法，鼓励原创内容，并成为原创，原创网站的作者.