搜索引擎是如何判斷頁面文章內(nèi)容是否原創(chuàng)的

時(shí)間：2023-03-02 23:39:01 | 來源：建站知識

時(shí)間：2023-03-02 23:39:01 來源：建站知識

本人最近在操作一個非主流站，內(nèi)容是采集的，開始收錄還好，后來不久就被k了，幾萬數(shù)據(jù)的站百度收錄只剩幾十。當(dāng)然，我也知道一直采集也不是辦法，可是人力有限，不可能去一條條加，也不現(xiàn)實(shí)。所以想搜索一下搜索引擎是怎么判定原創(chuàng)與否的，但很可惜，這方面的內(nèi)容實(shí)在不多。然后我去以搜索工程師的角度去想了想，不禁一身冷汗啊，因?yàn)榕卸ㄔ瓌?chuàng)與否實(shí)在太簡單了。我就按我的思維順序分析一下，供參考。

下面我以這個文章為例來講解。標(biāo)題：南昊北京科技有限公司是專業(yè)的光標(biāo)閱讀機(jī)生產(chǎn)商。內(nèi)容:南昊科技研發(fā)的光標(biāo)閱讀機(jī)讀卡快，質(zhì)量優(yōu)，服務(wù)好。我們的公司地址在北京市XXXX。蜘蛛通過超鏈接文本來到我們的網(wǎng)站，并通過站內(nèi)鏈接來到此篇文章頁。搜索引擎判斷分析開始。

1.標(biāo)題的分析?，F(xiàn)在好多的網(wǎng)頁都有明顯的優(yōu)化痕跡，帶有很多的長尾詞，但是這些在后邊位置的長尾詞應(yīng)該只是告訴引擎本頁面這是關(guān)于什么內(nèi)容的，因?yàn)檫@樣的話引擎會認(rèn)為有太多重復(fù)，顯然這是一個不正確的做法。實(shí)際應(yīng)該為有一個截取函數(shù)，比如只截取前邊40個字符作為分析內(nèi)容。最終，假設(shè)引擎截取的是：南昊北京科技有限公司是專業(yè)的光標(biāo)閱讀機(jī)。

首先要做的就是判斷這個標(biāo)題是不是唯一，怎么判斷呢，放心有辦法。我們都知道引擎分類是按詞條目來分的，那條目要怎么來呢。簡單：相關(guān)搜索詞條目。如下圖：

引擎會把截取到的標(biāo)題按這個相關(guān)搜索詞去他的數(shù)據(jù)庫中逐一分析匹對。舉個例子吧，從標(biāo)題中取到光標(biāo)閱讀機(jī)這個詞，然后和相關(guān)搜索詞匹對，如果數(shù)據(jù)庫中已經(jīng)存有了這個標(biāo)題，就會認(rèn)為此標(biāo)題不唯一，待匹對文章內(nèi)容。如果光標(biāo)閱讀機(jī)這個詞匹對完畢，再會截取南昊北京，再會以此類推，進(jìn)行匹對……直到分析完引擎認(rèn)為標(biāo)題所含全部的關(guān)鍵詞。

最終標(biāo)題的匹對結(jié)果有兩種：一，標(biāo)題數(shù)據(jù)庫暫無此內(nèi)容，待考察內(nèi)容。二，標(biāo)題數(shù)據(jù)庫中已存在此內(nèi)容，待考察內(nèi)容。

2.內(nèi)容的分析?；舅悸窇?yīng)該和標(biāo)題的分析是差不多的，但是也有差別，困為內(nèi)容包含的信息畢竟比標(biāo)題要復(fù)雜，五花八門的多，也要有更復(fù)雜的算法。

前邊已經(jīng)說了我們的內(nèi)容是：南昊科技研發(fā)的光標(biāo)閱讀機(jī)讀卡快，質(zhì)量優(yōu)，服務(wù)好。我們的公司地址在北京市XXXX。因?yàn)槲恼聝?nèi)容一般很長，所以不可能去對關(guān)鍵詞進(jìn)行分析，他只好去對一句話或者一段話進(jìn)行分析匹對。但是這個匹對范圍應(yīng)該還是標(biāo)題中有相關(guān)搜索詞的文章數(shù)據(jù)庫中進(jìn)行分析匹對。

先大體說一下他的分析方法：隨機(jī)截取隨機(jī)長的字段，然后就行此字段前后內(nèi)容的分析，如果當(dāng)前頁與引擎內(nèi)容數(shù)據(jù)庫中有相同字段的且前后段也相同的話，就會認(rèn)為這個文章有抄襲，非原創(chuàng)的嫌疑。這個分析過程一般要重復(fù)幾次，假如分析了10次，有9次在截取字段前后都能在已有內(nèi)容數(shù)據(jù)庫中有相同內(nèi)容，再加上標(biāo)題又相同，這樣的話，你這篇文章就會被認(rèn)定為非原創(chuàng)了。

下面我們來模擬一下。

引擎第一次截取到了“光標(biāo)閱讀機(jī)讀卡快，”，然后通過相關(guān)搜索詞來到文章數(shù)據(jù)庫，已有數(shù)據(jù)庫字段前為“科技研發(fā)的”，字段后為“質(zhì)量優(yōu)”，取出這兩個字段與我們當(dāng)前頁面進(jìn)行匹對。若有相同內(nèi)容，記為0,沒有相同內(nèi)容，記為1。一次匹對完畢。

然后再截取“公司地址”，進(jìn)行操作，再次得到一個結(jié)果0或1，以此類推。直到完成引擎設(shè)置的匹對循環(huán)次數(shù)。如果匹對10次，有7次，或8次，或10次都能找到相同內(nèi)容，那么就會認(rèn)為你的這篇不是原創(chuàng)了……

再往遠(yuǎn)了說，如果判定這是一篇原創(chuàng)，那么引擎會在他的域名權(quán)重?cái)?shù)據(jù)庫中對該域名進(jìn)行+1操作，顯然，越來越多的原創(chuàng)，權(quán)重也就越來越高，排名也就越來越好了。如億企邦,chinaZ。

我想通過標(biāo)題與內(nèi)容的這樣關(guān)鍵詞匹對，只要進(jìn)行足夠次數(shù)的匹對，大膽擴(kuò)展相關(guān)數(shù)據(jù)庫匹對范圍，一篇文章是不是原創(chuàng)就能分辨出來了。事實(shí)上，現(xiàn)在的處理器是越來越快又便宜，再加上搜索引擎工程師都是高學(xué)歷的，算法的提高改善，還有那經(jīng)驗(yàn)的積累。搜索引擎對文章原創(chuàng)與否進(jìn)行判斷，就像剁大白菜一樣簡單。

不想還行，一想真是嚇一跳，得到的結(jié)論是采集站必死!原創(chuàng)吧還是，最不濟(jì)標(biāo)題起碼也要改吧?？纯窗?，要是有時(shí)間了再分享一下如何做好引擎分析不出來的偽原創(chuàng)文章。

以上只是小弟淺顯分析，實(shí)際算法畢竟復(fù)雜得多，僅供參考!另AD一下：,我操作的一個站誠招友情鏈接，企業(yè)站為佳，Pr剛更新為1了，QQ：419844484,加好友請注明友鏈。