文章伪原创检测(网站原创内容在搜索引擎排名中占有重要地位，如何判定内容是原创还是抄袭)

　　文章伪原创检测(网站原创内容在搜索引擎排名中占有重要地位，如何判定内容是原创还是抄袭)

　　我们知道网站原创的内容在搜索引擎排名中占有重要的地位，但要做好原创的内容并不容易，伪原创恐怕不被视为原创，白做吧。所以我们先从搜索引擎的角度来判断内容是原创还是抄袭。

　　很多站长都想利用原创的内容来提升自己的收录和网站的排名，但是做原创的内容并不容易，偶尔一两篇文章应该没关系。如果一天一两篇文章，很多人受不了，因为大多数站长不是作家。比如你想写一篇SEO文章原创文章，如果你对SEO不是很了解，肯定会久久不能言。所以，如何用别人的文章变成伪原创，让搜索引擎认为是原创的内容，这是很多站长追求的效果。

　　有人认为搜索引擎使用了“分词”和“索引”技术。没看过的可以看看这篇文章《网站利用搜索引擎“分词”和“索引库”技术做这个正在建设中网站排名》地址是：，大家同意。我们来看看2010年2月21日在百度上搜索“网站常见的DIV+CSS问题解决方案”的结果：

　　从上图可以看出，搜索引擎确实使用了分词技术：将“网站构造中常见的DIV+CSS解题方法”分为“网站”、“构造”、 “通用”、“div”、“CSS”、“问题”、“解决方案”、“方法”和“网站”、“div+css”、“网站 设计”。值得一提的是，与“网站建设”相关的“网站设计”也出现了红字。同时，在上述搜索关键词中，有“的”和没有“的”的搜索结果为213个文章，但排名略有变化。如下所示：

　　注：以下纯属推测。如果和搜索引擎算法类似，那是莫大的荣幸。请纠正我。

　　一、 首先来分析一下搜索引擎如何分析哪些是原创，哪些不是原创

　　无论是原创，还是抄袭别人的文章，如果要判断，一定是“比较”。你怎么比较？我们从搜索引擎的角度考虑一下：

　　1.首先是标题

　　如果是一样的，很可能是副本，但是如果你改了标题，比如把“How to do 伪原创文章”改成“教你怎么写伪原创 content" ，意思没变，文字变了。因此，不能仅通过标题来判断是否为原创。但可以做以下分析：

　　由于搜索引擎的数据量太大，无法将所有内容一一比较，而是采用了同样的“分词”技术：

　　（1)如果搜索引擎Spider Spider访问的页面是新页面，那么它会先采集这个页面的内容，放入数据库（或其他）中，等待其他程序比较是否内容具体是原创，是不是一个有价值的处理程序？这个时候不会搜索到这个内容。

　　（2)分析内容，也用分词技术分析标题、内容等。获取该页面的主要内容。例如《周杰伦2010专辑》等文章时文章，它会与文章 包括“周杰伦”、“2010”、“专辑”如关键词 进行比较，而不是与所有网页进行比较。如果结果为原创，有更多的Value，然后执行收录，给更高的权重。如果认为是抄袭或者抄袭，那就不要收录，或者给一个很低的权重。由方式，对于这个页面的权重不仅与它本身的内容、自身的内容、能否有好的排名有关，还与整个站点的权重有关，比如这个页面的权重是3， 网站网站的权重是3，加起来是6。如果另一个网站转载这个文章，文章的权重是1，但是他的网站 是 7。加起来是 8。6

　　2.分析比较文章的内容

　　首先从搜索引擎的角度考虑：

　　当用户做伪原创时，他们会经常使用的方法是：

　　(1)删除部分内容

　　（2)添加部分内容。在复制的文章中添加最后两句，或将多个文章组合在一起。

　　（3)更改内容顺序。将原文从1.A、2.B、3.C、4.D、5.E到1.C、2.B、3.E、4.A、5.D

　　使用分词技术对比相关内容后，分析项目包括：

　　(1)字长

　　(2) 几个关键词的频率

　　(3)文中几句

　　（4) 链接

　　程序分析过程：

　　if (字数相同) and (几个关键词出现频率相同) and (文中任意几句相同) and (链接指向文章 大于90%类似于这篇文章）

　　或文中任意5个句子（长短不一，可能是5-30个字）或更多是一致的

　　然后判断为抄袭或伪原创。

　　从上面的程序分析过程可以看出，单纯的删除内容、添加合并部分内容、改变内容顺序、段落顺序都不能让搜索引擎认为原创 . 为什么？因为上面的简单方法可以讲出大体的思路。字数、几个关键字的频率和链接都很容易处理。很难比较文本中的任何几个句子。