SEO工作人员 讲百度蜘蛛是如何判断有价值的文章的

tdj123321

　　有好多SEO工作人员，尤其是从事软文编辑的工作人员，都在问同一个问题：百度蜘蛛怎样判断你的文章是不是伪原创或是原创?今天营销型网站建设就给大家讲一讲百度蜘蛛是如何判断有价值的文章的。
　　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。
　　你们说，为什么当站文章中有大量相同时，会快速引起搜索引擎惩罚呢?这里我说的不是摘抄与原创的问题，而是你站内自己和自己的文章重复。之所以搜索引擎反应这么快，同时惩罚严厉，根本原因就是在你的文章中。
　　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。
　　针对句子结构与词性的重点关键词。
　　每一款较为成熟的商业搜索引擎，针对不同行业，其算法都会有所不同。而行业的判断，就是依托于各个行业的关键词库进行的。最近百度针对一些特定关键词，在搜索结果中返回网站的备-案信息和认证信息，由此可见，词库其实早已存在。
　　那么，句子结构又从何说起呢?中文句子不外乎主谓宾定状补几个结构组成，而词性也仅有名词、动词、介词、形容词、副词、拟声词、代词、数词。相信很多人刚做SEO的时候，肯定听说过搜索引擎除噪的时候，会去掉的地得和代词，其实这种说法大面上对，但也并非完全准确。从根本原理来说，是针对句子结构与词性而给予处理时的态度不同。我们可以肯定，主语一定是最重要的部分，往往一句话主语变了，其针对的事物和所要表述的意义也就往往不同。而针对的事物若有变化，极有可能导致这篇文章所涉及的行业有所变化。故而，主语肯定是我所需要的重点词。这里为什么我没有说在主语部分去掉代词呢?因为往往去掉主语会使得句子失真，所以我要保留主语所有属性的词，即便是看起来没有意义代词。
　　那么定语呢?往往定语决定了一个事物的程度或性质，所以定语也很重要。但问题就来了，对于用户来说，美丽的画与漂亮的画是同一个意思，而美丽的画与难看的画却是相反的意思。同时其它句子结构例如补语作为句子的补充，往往承载了地点、时间等信息量，那也很重要。若是如此，那我又要如确定我认为最主要的关键词呢?
　　这个问题确实很复杂，但其实能够解决它的办法既简单又困难。那就是时间与数据的积累。也许有人会觉得我这么说是不负责任，但事实却是如此。倘若这个世界上没有SEO、没有伪原创，那么搜索引擎可以高枕无忧，因为没有伪原创的干扰，搜索引擎可以迅速的识别出转载内容，然后非常轻松的计算排名。但有了伪原创之后，其实每一次内容判断算法的调整，更多的是对目前一些常见的伪原创做法进行识别。正因为有伪原创的存在，如果是我设计策略，我会设计出两个词库，词库A是用于区分内容所从属的行业，词库B则是针对不同行业，然后在设置若干规则与这两个子词库进行关联。
　　举例。比如伪原创猖獗的医疗SEO，通过一些病种词，可以迅速识别出其内容属于医疗行业。那么在选择的时候，鉴于某些原因，我将严厉对待医疗，则我认为医疗文章内容重要的仅仅是充当主语的名词，然后在充当主语的名词中，病种名词作为最优先，进而进行优先级排序，在排序中若主语名词数大于N，则按照其所处的信息块距离根节点最近最有先原则，并且同一名词仅选择一次，然后选取前N个重要关键词作为赋值的初始节点，进行权重赋值。
　　那么在赋值的时候，我设定赋值系数e，我可以判断在这几个被赋值的节点上，根据关键词种类来确定赋值的比重。比如与title中重复的病种名词，其对应的系数为e1，与title中不对应的病种名词系数为e2，其它名词系数为e3。然后我开始遍历标签树。

2548650948

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。