百度伪原创( 百度如何分辨文章内容是原创还是伪原创？(组图))

　　百度伪原创(

百度如何分辨文章内容是原创还是伪原创？(组图))

　　⣼：百度如何判断文章的内容是原创还是伪原创

　　在搜索引擎的工作原理中，可分为网页抓取、分析与存储、查询与检索三个步骤。其中，在分析和存储方面，百度有一系列相关算法来判断文章是原创还是伪原创。对于伪原创或采集的网页内容，百度计算初始质量权重很低，会给原创文章更高的支持。

　　我们先来看看百度官方对原创和伪原创的定义：

　　1、高质量原创内容：百度将原创定义为文章经过一定成本和大量经验形成的。

　　2、伪原创：采集的内容后，部分关键词被批量修改，企图让百度认为这些是独一无二的内容，但内容超出识别，甚至无法通读——这也是百度不喜欢的，而且风险很大。刚才说的一点，百度不排除采集网站的内容，关键是如何利用采集的内容和数据，如何整合用户和搜索引擎需要的内容站长应该考虑的内容。.

　　百度如何判断文章的内容是原创还是伪原创

　　一、 基于关键词抽取的重复页面检测算法

　　基本原理是：有一个很大的网页集合P，里面有很多网页作为pi。每个网页pi分别提取关键词tj，形成向量Wi=(W1,W2,...Wj)。其中，Wj有两个影响因素，一是关键词j在网页中出现的频率，二是关键词j在网页集合P中出现次数的倒数。在判断两个网页是否为重复页面时，只需要判断代表两个页面的向量Wi和Wj之间夹角的大小即可。角度越小，两页重复率越高。

　　二、 基于全文段匹配的重复页面检测算法

　　这种类型的算法使用一种对全文进行分段签名的方法。该算法将网页按照一定的原则划分为m个section，然后对每个section进行签名（即计算指纹），这样每个文档就可以用m个签名指纹来表示。对于任意两个文档，当它们的 m 个签名中的 t 个相同（t 是系统定义的阈值）时，它们被认为是相互重复的内容网页。

　　三、 基于模板去噪的重复内容检测算法

　　因为大量类似的镜像网页并不是原创网页的简单复制，而是将需要转载的内容放在新的模板中提供服务。因此，模板中的内容会干扰算法程序对近似镜像网页的判断，导致检测结果错误。基于模板噪声消除的重复内容检测是先对网页进行净化，去除网页的模板噪声内容，然后提取网页正文，再结合其他重复内容检测算法对网页正文进行去重。

　　不能用收录来衡量内容质量

　　百度对网页内容价值的判断，不是基于我们认为的“原创”，也不是以收录来衡量的。在大多数人的认知中，原创的内容应该是收录，而伪原创采集不应该排名。如果单纯靠内容稀缺来竞争，原创文章自然会打败伪原创的采集。但是，除了页面质量之外，影响一个网页的收录还受到网站整体权重的影响。事实上，大部分因素仍然取决于后者。

　　一般来说，内容质量高的网站收录的比例较高，但并不代表收录数量多的网站或内容质量好的网站就好。你可能也看到过一些采集/伪原创的排名比原创的网站更好，收录更好，但我们不去片面的分析和给出部分概括。你可以试着看看他们的内容更新频率、网站整体规模、域名年龄等，这些也是重要的因素。网站收录的排名是多种综合因素迭代产生的最终结果。