baidu如何区分伪独创和独创?baidu喜欢啥样的文章?啥样的文章比较例如获得长尾词排名?等等诸如此类的疑问。面对这些疑问，我常常不知如何答复。如果我给一个比较大方向一些的答案，例如要注重用户领会、要有意义等等，那么发问者会觉得我在唐塞他，他们往往抱怨说这些太迷糊。可是我也无法再给出具体的内容，终究我不是baidu，具体算法我又何德何能的为你们指点江山呢?
为此，我初步写这个“如果是我”系列的文章。在这一系列文章里，我假定如果是我化尽心血的来为网民供应较好的查找效力，我会如何做，我会如何对待文章内容、如何对待外链、如何对待网站方案等等诸如此类的站点元素。当然，自己技术有限，我只能写一点我稍微知道的东西。而baidu以及其它的商业查找引擎，他们有许多比我优良的人才，信赖他们的算法以及处置疑问的办法会比我完善许多，而我之所以写这些，无外乎抛砖引玉，希望我们看后，心里有一个大约。终究在SEO的道路上走过一段时间后，没有谁可以当谁的教员，一些观念仅供参看。
重要的声明
在此，我要郑重声明，这个系列文章中全部涉及到的思想、算法与程序，均非自己所写，全部是我从一些揭穿的资料里搜集而得的。一同，信赖我们也能知道，如果这些免费揭穿的东西都能做到如此程度，那么那些商业秘要就更不用提了。
好的，如今初步。
如果是我，我会喜欢啥姿势的文章呢?我会喜欢我的用户喜欢的
文章，如果硬要加判定标准，那无外乎是两种：1.独创且用户喜欢。
2.非独创且用户喜欢。在这里，我的心情很明显，伪独创就对错独创。那么用户喜欢啥样的文章呢?很显然，一些新观念、新知识往往是用户喜欢的，也就是说一般独创文章都是用户喜欢的，而且即运用户不喜欢，独创站点作为新鲜内容的制造者，也大约遭到一定的保护。那么非独创的文章用户就一定不喜欢吗?诚然否也。一些站点，其内容往往是通过搜集整理后聚合而成的，那么这些站点对用户来说就是有价值的，其相对应的文章理应获得较好的排名。
由此可见，我需要注重两类文章即可。一是独创文章，二是有价值的信息聚合站点下的文章。
首要要明晰一点，本文评论规划仅限内容页，而非专题页、列表页和主页。
那么我在辨别这两类文章之前，我需要先进行信息的搜集。本文关于spider程序有些不进行论说。当spider程序下载下来网页信息后，在内容处置的模块中，我需要先对内容除噪。
内容除噪，并非我们经常性的误以为仅仅除去代码算了。关于我来说，我还要出去页面有些非正文内容的文字。比如导航条、比如底部文字以及各个文章列表。将它们的影响除去后，我将得到一段仅仅包括网页正文内容的文本期间。写过搜集规则站长兄弟大约知道，这个并不难。但查找引擎终究是一款程序，不可以关于每个站写个相似于的搜集规则的东西，所以我需要建立一套除噪算法。
在此之前，我们先明晰我们的目的。
1.全部的调用列表全部是在一个信息块里，这个信息块绝大有些是由标签组成，即便有游离于标签的内容，其文字也基本是固定的，且在站内页面中存在许多重复，较为简略区分。
2.内容2一般紧邻着内容1。而且内容2中的衔接锚文本，与内容1存在相关性。
3.内容1有些，是有文字文本内容和标签混合而成，且在一般情况下，文本文字内容在网站网页调会集具有唯一性。
那么，针关于此，我选用广为人知的标签树办法，将内容页进行分解。
从网页的标签方案上来看，网页是通过若干的信息块来供应内容的，而这些信息块又是由特定的标签方案出来的，常见的标签有 等，我们按照这些标签，将网页隐晦为树状方案。
上图是我手绘的简略的标签树，通过这种办法，我可以非常轻松的辨认出各个信息块。然后我设定一定阙值A为内容比重阙值。内容比重阙值为信息块中文本字数与标签出现此处的比值。我设定当网页中信息块内容比重阙值大于A时，才会被我列为有用内容块(此举是为了根绝过火的多内链，因为如果一篇文章布满内链，则不利于用户领会)，然后我再比对内容块中的文本，当其具有唯一性时，此一个或多个内容块的集结，即为我所需要的“内容1”。
那么内容2我要如何处置呢?在说明处置内容2之前，我先说明一下内容2的意义。正如我早年所说，如果是一个注重用户领会的聚合性网站，那么他的作用是将现有的互联网内容通过精心的分类与相
关，来便当用户非常好、更有用的阅读。关于这样的站点，即便其文章不是独创而是从互联网上摘抄的，我也会给予其满足的注重与排名，因为它出色的聚合内容往往更能满足用户的需要。
那么关于聚合站点，我可以通过“内容2”来进行大约的区分。简而言之，如果是一个出色的聚合站点，首要其内容页有必要存在内容2，一同内容2有必要占重要有些。
好了，辨认内容2很简略，关于内容比重阙值低于某个特定值的信息块，我全部区分为衔接模块。我将内容1通过某些办法(具体办法本文后半有些说明)，提取出主题B。我将衔接模块中的全部标签的锚文本分别进行分词，如果全部的锚文本均与主题B相符，则将此衔接模块判定为内容2。设定衔接阙值C，衔接阙值为内容2中标签出现次数除以全部衔接模块所出现的标签次数所得的比重，若大于C，则此网站可以为聚合网站，关于内容排名核算时会引用聚合站点特定的算法。
拓展阅读1初步
我信赖许多SEO从业者刚接触这行时，就听说过一件事，就是内容页面导出衔接要具有相关性。还有一件事，就是页面下面要有相关阅读，来招引用户纵深点击。一同大约还听人讲过，内链要适中，不可太多等。
但很少有人会说为啥，而越来越多的人因为不明其内在道理，而逐渐无视了这些细节。当然，从前的一些查找引擎算法在内容上的注重程度不可，也起到了火上加油的作用。可是，如果从阴谋论的角度
上来看，我可以假定出这么一个道理。
绝大有些用户的查找页面，第一页只需10个效果，除去我自家产品，往往仅剩下7个左右，一般用户最多只会点击到第3页，那么我需要的优质站点其实不到30个就可以最大极限的满足用户领会。那么通过3-5年的方案，逐渐筛选出一些耐得住孤寂和细心做细节的站，这时分我再将这一有些算法进行调整，进而筛选出这些优质站点，推送给用户。当然，在做的过程中还有更多的参看要素，比如域名年岁、JS数量，网站速度等。
拓展阅读1结束
拓展阅读2初步
你们说，为啥当站文章中有许多相一同，会快速致使查找引擎赏罚呢?这里我说的不是摘抄与独创的疑问，而是你站内自己和自己的文章重复。之所以查找引擎反应这么快，一同赏罚严肃，根本原因就是在你的文章中，他提取不到内容1。
拓展阅读2结束
好，通过这一系列处置，我现已获得了内容1与内容2了，下面该进行独创辨认的算法了。
如今基本上查找引擎关于独创的辨认，在大面上选用的是关键词匹配联络向量空间模型来进行区分。Google就是这么做的，在其官方博客有相应的文章分析。这里，我就做个大白话版另外分析，抢夺做到简略易懂。
那么，我通过火析内容1，得到内容1中权重最高的关键词k，
那么按照权重大小进行排序，前N个权重最高的关键词的集结我命名为K，则K={k1，k2，„„，kn}，则每一个关键词都会对应一个其在页面中获取到的权重特征值，我将k1对应的权重特征值设定为t1，则前N个权重关键词对应的特征值集结则为T={t1，t2，„„，tn}，那么我们有了这个特征项，就能核算出其相对应的特征向量W={w1，w2，„„，wn}。接着我将K拼成字符串Z，一同MD5(Z)则标明字符串Z的MD5散列值。
那么假定我判定的两个页面分别是i与j。
则我核算出两个公式。
1.当MD5(Zi)=MD5(Zj)时，页面i与页面j完全相同，区分为转载。
2.设定一个特定值α
当0≤α≤1的时分，我判定页面相似为重复。
由此，关于独创文章的区分就结束了。好了，苦逼忧虑烦闷的单调说明告一期间，下面我用大白话再从头复述一遍。
首要，你的内容千篇一律，一个字都不带改的，那肯定是摘抄的啊，这时分MD5散列值就能灵敏的区分出来。
其次，许多SEO他们懒，进行所谓的伪独创，你说你伪独创时刺进点自己的观念与资料也成，效果你们就是改个近义词啥的，所以我就用到了特征向量，通过特征向量的区分，把你们这些低质的伪独创抓出来。关于这个，区分思想很简略，你权重最高的前N个关键词集结极为相似的时分，区分为重复。这里所谓的相似包括但不仅仅
局限于权重最高的前N个关键词重合，所以构建了特征向量，当对比的两个向量夹角与长度，当夹角与长度的差异度小于某个特定值的时分，我将其定义为相似文章。
备注1初步
一贯注重google反作弊小组官方博客的兄弟们，大约看过google关于相似文章区分算法的那篇博文，在那篇文章中，其首要运用的是余弦定理，就是首要核算夹角。不过后来Mr.Zhao又看了好几篇文献，觉得那篇博文大约仅仅是被google丢掉后才解密的，如今大体算法的趋势，大约是核算夹角与长度，所以选择如今给我们看的这个算法。
baidu如何区分伪独创和独创?baidu喜欢啥样的文章?啥样的文章比较例如获得长尾词排名?等等诸如此类的疑问。面对这些疑问，我常常不知如何答复。如果我给一个比较大方向一些的答案，例如要注重用户领会、要有意义等等，那么发问者会觉得我在唐塞他，他们往往抱怨说这些太迷糊。可是我也无法再给出具体的内容，终究我不是baidu，具体算法我又何德何能的为你们指点江山呢?
为此，我初步写这个“如果是我”系列的文章。在这一系列文章里，我假定如果是我化尽心血的来为网民供应较好的查找效力，我会如何做，我会如何对待文章内容、如何对待外链、如何对待网站方案等等诸如此类的站点元素。当然，自己技术有限，我只能写一点我稍微知道的东西。而baidu以及其它的商业查找引擎，他们有许多比我优良的人才，信赖他们的算法以及处置疑问的办法会比我完善许多，而我之所以写这些，无外乎抛砖引玉，希望我们看后，心里有一个大约。终究在SEO的道路上走过一段时间后，没有谁可以当谁的教员，一些观念仅供参看。
重要的声明
在此，我要郑重声明，这个系列文章中全部涉及到的思想、算法与程序，均非自己所写，全部是我从一些揭穿的资料里搜集而得的。一同，信赖我们也能知道，如果这些免费揭穿的东西都能做到如此程度，那么那些商业秘要就更不用提了。
好的，如今初步。
如果是我，我会喜欢啥姿势的文章呢?我会喜欢我的用户喜欢的
文章，如果硬要加判定标准，那无外乎是两种：1.独创且用户喜欢。
2.非独创且用户喜欢。在这里，我的心情很明显，伪独创就对错独创。那么用户喜欢啥样的文章呢?很显然，一些新观念、新知识往往是用户喜欢的，也就是说一般独创文章都是用户喜欢的，而且即运用户不喜欢，独创站点作为新鲜内容的制造者，也大约遭到一定的保护。那么非独创的文章用户就一定不喜欢吗?诚然否也。一些站点，其内容往往是通过搜集整理后聚合而成的，那么这些站点对用户来说就是有价值的，其相对应的文章理应获得较好的排名。
由此可见，我需要注重两类文章即可。一是独创文章，二是有价值的信息聚合站点下的文章。
首要要明晰一点，本文评论规划仅限内容页，而非专题页、列表页和主页。
那么我在辨别这两类文章之前，我需要先进行信息的搜集。本文关于spider程序有些不进行论说。当spider程序下载下来网页信息后，在内容处置的模块中，我需要先对内容除噪。
内容除噪，并非我们经常性的误以为仅仅除去代码算了。关于我来说，我还要出去页面有些非正文内容的文字。比如导航条、比如底部文字以及各个文章列表。将它们的影响除去后，我将得到一段仅仅包括网页正文内容的文本期间。写过搜集规则站长兄弟大约知道，这个并不难。但查找引擎终究是一款程序，不可以关于每个站写个相似于的搜集规则的东西，所以我需要建立一套除噪算法。
在此之前，我们先明晰我们的目的。
1.全部的调用列表全部是在一个信息块里，这个信息块绝大有些是由标签组成，即便有游离于标签的内容，其文字也基本是固定的，且在站内页面中存在许多重复，较为简略区分。
2.内容2一般紧邻着内容1。而且内容2中的衔接锚文本，与内容1存在相关性。
3.内容1有些，是有文字文本内容和标签混合而成，且在一般情况下，文本文字内容在网站网页调会集具有唯一性。
那么，针关于此，我选用广为人知的标签树办法，将内容页进行分解。
从网页的标签方案上来看，网页是通过若干的信息块来供应内容的，而这些信息块又是由特定的标签方案出来的，常见的标签有 等，我们按照这些标签，将网页隐晦为树状方案。
上图是我手绘的简略的标签树，通过这种办法，我可以非常轻松的辨认出各个信息块。然后我设定一定阙值A为内容比重阙值。内容比重阙值为信息块中文本字数与标签出现此处的比值。我设定当网页中信息块内容比重阙值大于A时，才会被我列为有用内容块(此举是为了根绝过火的多内链，因为如果一篇文章布满内链，则不利于用户领会)，然后我再比对内容块中的文本，当其具有唯一性时，此一个或多个内容块的集结，即为我所需要的“内容1”。
那么内容2我要如何处置呢?在说明处置内容2之前，我先说明一下内容2的意义。正如我早年所说，如果是一个注重用户领会的聚合性网站，那么他的作用是将现有的互联网内容通过精心的分类与相
关，来便当用户非常好、更有用的阅读。关于这样的站点，即便其文章不是独创而是从互联网上摘抄的，我也会给予其满足的注重与排名，因为它出色的聚合内容往往更能满足用户的需要。
那么关于聚合站点，我可以通过“内容2”来进行大约的区分。简而言之，如果是一个出色的聚合站点，首要其内容页有必要存在内容2，一同内容2有必要占重要有些。
好了，辨认内容2很简略，关于内容比重阙值低于某个特定值的信息块，我全部区分为衔接模块。我将内容1通过某些办法(具体办法本文后半有些说明)，提取出主题B。我将衔接模块中的全部标签的锚文本分别进行分词，如果全部的锚文本均与主题B相符，则将此衔接模块判定为内容2。设定衔接阙值C，衔接阙值为内容2中标签出现次数除以全部衔接模块所出现的标签次数所得的比重，若大于C，则此网站可以为聚合网站，关于内容排名核算时会引用聚合站点特定的算法。
拓展阅读1初步
我信赖许多SEO从业者刚接触这行时，就听说过一件事，就是内容页面导出衔接要具有相关性。还有一件事，就是页面下面要有相关阅读，来招引用户纵深点击。一同大约还听人讲过，内链要适中，不可太多等。
但很少有人会说为啥，而越来越多的人因为不明其内在道理，而逐渐无视了这些细节。当然，从前的一些查找引擎算法在内容上的注重程度不可，也起到了火上加油的作用。可是，如果从阴谋论的角度
上来看，我可以假定出这么一个道理。
绝大有些用户的查找页面，第一页只需10个效果，除去我自家产品，往往仅剩下7个左右，一般用户最多只会点击到第3页，那么我需要的优质站点其实不到30个就可以最大极限的满足用户领会。那么通过3-5年的方案，逐渐筛选出一些耐得住孤寂和细心做细节的站，这时分我再将这一有些算法进行调整，进而筛选出这些优质站点，推送给用户。当然，在做的过程中还有更多的参看要素，比如域名年岁、JS数量，网站速度等。
拓展阅读1结束
拓展阅读2初步
你们说，为啥当站文章中有许多相一同，会快速致使查找引擎赏罚呢?这里我说的不是摘抄与独创的疑问，而是你站内自己和自己的文章重复。之所以查找引擎反应这么快，一同赏罚严肃，根本原因就是在你的文章中，他提取不到内容1。
拓展阅读2结束
好，通过这一系列处置，我现已获得了内容1与内容2了，下面该进行独创辨认的算法了。
如今基本上查找引擎关于独创的辨认，在大面上选用的是关键词匹配联络向量空间模型来进行区分。Google就是这么做的，在其官方博客有相应的文章分析。这里，我就做个大白话版另外分析，抢夺做到简略易懂。
那么，我通过火析内容1，得到内容1中权重最高的关键词k，
那么按照权重大小进行排序，前N个权重最高的关键词的集结我命名为K，则K={k1，k2，„„，kn}，则每一个关键词都会对应一个其在页面中获取到的权重特征值，我将k1对应的权重特征值设定为t1，则前N个权重关键词对应的特征值集结则为T={t1，t2，„„，tn}，那么我们有了这个特征项，就能核算出其相对应的特征向量W={w1，w2，„„，wn}。接着我将K拼成字符串Z，一同MD5(Z)则标明字符串Z的MD5散列值。
那么假定我判定的两个页面分别是i与j。
则我核算出两个公式。
1.当MD5(Zi)=MD5(Zj)时，页面i与页面j完全相同，区分为转载。
2.设定一个特定值α
当0≤α≤1的时分，我判定页面相似为重复。
由此，关于独创文章的区分就结束了。好了，苦逼忧虑烦闷的单调说明告一期间，下面我用大白话再从头复述一遍。
首要，你的内容千篇一律，一个字都不带改的，那肯定是摘抄的啊，这时分MD5散列值就能灵敏的区分出来。
其次，许多SEO他们懒，进行所谓的伪独创，你说你伪独创时刺进点自己的观念与资料也成，效果你们就是改个近义词啥的，所以我就用到了特征向量，通过特征向量的区分，把你们这些低质的伪独创抓出来。关于这个，区分思想很简略，你权重最高的前N个关键词集结极为相似的时分，区分为重复。这里所谓的相似包括但不仅仅
局限于权重最高的前N个关键词重合，所以构建了特征向量，当对比的两个向量夹角与长度，当夹角与长度的差异度小于某个特定值的时分，我将其定义为相似文章。
备注1初步
一贯注重google反作弊小组官方博客的兄弟们，大约看过google关于相似文章区分算法的那篇博文，在那篇文章中，其首要运用的是余弦定理，就是首要核算夹角。不过后来Mr.Zhao又看了好几篇文献，觉得那篇博文大约仅仅是被google丢掉后才解密的，如今大体算法的趋势，大约是核算夹角与长度，所以选择如今给我们看的这个算法。