搜索引擎如何判断文章原始出处？

　　有很多人咨询过笔者(Mr.Zhao)，百度如何判断伪原创和原创?百度喜欢什么样的文章?什么样的文章比较例如获得长尾词排名?等等诸如此类的问题。

　　复制内容网页有的时候会影响网页排名!

　　比如说原本是你写的文章，本来应该排名很好，但是其他人抄袭或转载你的文章，而且搜索引擎不幸的判断那篇被抄袭或转载的网页是原始出处的话，你应有的排名就会被那个网页夺走。

　　那么搜索引擎怎样才能从多个网页中挑出哪一个是原始出处呢?可能有以下几个考虑：

　　1)网页PR值。网页PR值越高，被认为是原始版本的可能性就越大。

　　2)网页第一次被收录的时间。网页被搜索引擎收录的时候越早，相比后发现的相同内容的网页来说，被当作原始出处的可能性就越大。

　　3)域名注册时间。越老的域名上面的网页被当成原始出处的可能性也越大。

　　4)网站的权威度。这就有点说不清了，可能包含前面3个因素，还有很多其他因素。

　　但到目前为止，无论以哪一个因素为主，或怎样组合这些因素，都不可能完全正确从多个网页中挑出原始出处。

　　比如说我这个博客就很新，域名也很新，文章被收录的时间有的时候也不一定是最早的，就权威地位和被信任度来说，也肯定比不上很多中文网站。但我的博客新，我的域名新，并不意味着我的内容就不是原始出处，实际上我的所有博客都是原创。

　　我最近也发现了很多网站都转载，有的时候是抄袭我的博客内容，很多网站的规模，历史，PR值都比我的网站要高的多。

　　在检测文章原始出处方面，Google做的比较好，基本上能够正确判断，百度做的就比较差。从我的文章在不同的地方出现的情况看，百度似乎认为域名比较老的就是原创。

　　这个问题不是网站管理员自己可以解决的，只有依靠搜索引擎算法的改进。

　　现在基本上搜索引擎对于原创的识别，在大面上采用的是关键词匹配结合向量空间模型来进行判断。Google就是这么做的，在其官方博客有相应的文章介绍。这里，我就做个大白话版本的介绍，争取做到简单易懂。

　　算法示例：通过分析内容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合我命名为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合则为T={t1，t2，……，tn}，那么我们有了这个特征项，就能计算出其相对应的特征向量W={w1，w2，……，wn}。接着我们将K拼成字符串Z，同时MD5(Z)则表示字符串Z的MD5散列值。

　　那么假定我们判定的两个页面分别是i与j。

　　则计算出两个公式。

　　1.当MD5(Zi)=MD5(Zj)时，页面i与页面j完全相同，判断为转载。

　　2.设定一个特定值α

　　当0≤α≤1的时候，我们判定页面相似为重复。

　　由此，对于原创文章的判断就结束了。好了，苦逼烦闷的枯燥讲解告一段落，下面我们用大白话再重新复述一遍。

　　首先，你的内容一模一样，一个字都不带改的，那肯定是摘抄的啊，这时候MD5散列值就能迅速的判断出来。

　　其次，很多SEO他们懒，进行所谓的伪原创，你说你伪原创时插入点自己的观点与资料也成，结果你们就是改个近义词什么的，于是我就用到了特征向量，通过特征向量的判断，把你们这些低劣的伪原创抓出来。关于这个，判断思想很简单，你权重最高的前N个关键词集合极为相似的时候，判断为重复。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，于是构建了特征向量，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候，我将其定义为相似文章。

大军SEO，9年来一直专注SEO技术研究，营销型网站建设，热爱SEO，希望能和大家多多交流共同学习，目前主要为企业和个人提供网站优化，关键词排名等服务，属于全职个人站长，凡是跟大军合作的每家企业/个人都是认真负责，做好网站每个细节，如有SEO/网络营销技术问题的朋友可以。

本页核心：搜索引擎,网页文章,出处

Tags：

声明：
1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源，如注作有误请联系我更改；
2.本站的原创文章，请转载时务必注明文章作者和来源，不尊重原创的行为我们将追究责任；
3.欢迎您对本文《搜索引擎如何判断文章原始出处？》做点评，可以加我QQ或微信吐槽；
4.本页面网址：https://www.seodajun.com/seowentijieda/743.html