首先要明確一點(diǎn)，本文探討范圍僅限內容頁(yè)，而非專(zhuān)題頁(yè)、列表頁(yè)和首頁(yè)。那么我在甄別這兩類(lèi)文章之前，我需要先進(jìn)行信息的采集。本文對于spider程序部分不進(jìn)行闡述。當spider程序下載下來(lái)網(wǎng)頁(yè)信息后，在內容處理的模塊中，我需要先對內容除噪。如果是我，我會(huì )喜歡什么樣子的文章呢?我會(huì )喜歡我的用戶(hù)喜歡的文章，如果硬要加判定標準，那無(wú)外乎是兩種：1.原創(chuàng )且用戶(hù)喜歡。

2.非原創(chuàng )且用戶(hù)喜歡。在這里，我的態(tài)度很明顯，偽原創(chuàng )就是非原創(chuàng )。那么用戶(hù)喜歡什么樣的文章呢?很顯然，一些新觀(guān)點(diǎn)、新知識往往是用戶(hù)喜歡的，也就是說(shuō)通常原創(chuàng )文章都是用戶(hù)喜歡的，而且即便用戶(hù)不喜歡，原創(chuàng )站點(diǎn)作為新鮮內容的制造者，也應該受到一定的保護。那么非原創(chuàng )的文章用戶(hù)就一定不喜歡嗎?誠然否也。一些站點(diǎn)，其內容往往是經(jīng)過(guò)搜集整理后聚合而成的，那么這些站點(diǎn)對用戶(hù)來(lái)說(shuō)就是有價(jià)值的，其相對應的文章理應獲得較好的排名。

很多SEO他們懶，進(jìn)行所謂的偽原創(chuàng )，你說(shuō)你偽原創(chuàng )時(shí)插入點(diǎn)自己的觀(guān)點(diǎn)與資料也成，結果你們就是改個(gè)近義詞什么的，于是我就用到了特征向量，通過(guò)特征向量的判斷，把你們這些低劣的偽原創(chuàng )抓出來(lái)。關(guān)于這個(gè)，判斷思想很簡(jiǎn)單，你權重最高的前N個(gè)關(guān)鍵詞集合極為相似的時(shí)候，判斷為重復。這里所謂的相似包括但不僅僅局限于權重最高的前N個(gè)關(guān)鍵詞重合，于是構建了特征向量，當對比的兩個(gè)向量夾角與長(cháng)度，當夾角與長(cháng)度的差異度小于某個(gè)特定值的時(shí)候，我將其定義為相似文章。

如果是一個(gè)注重用戶(hù)體驗的聚合性網(wǎng)站，那么他的作用是將現有的互聯(lián)網(wǎng)內容經(jīng)過(guò)精心的分類(lèi)與關(guān)聯(lián)，來(lái)方便用戶(hù)更好、更有效的閱讀。針對這樣的站點(diǎn)，即便其文章不是原創(chuàng )而是從互聯(lián)網(wǎng)上摘抄的，我也會(huì )給予其足夠的重視與排名，因為它良好的聚合內容往往更能滿(mǎn)足用戶(hù)的需求。你們說(shuō)，為什么當站文章中有大量相同時(shí)，會(huì )快速引起搜索引擎懲罰呢?這里我說(shuō)的不是摘抄與原創(chuàng )的問(wèn)題，而是你站內自己和自己的文章重復。之所以搜索引擎反應這么快，同時(shí)懲罰嚴厲，根本原因就是在你的文章中，他提取不到內容�，F在基本上搜索引擎對于原創(chuàng )的識別，在大面上采用的是關(guān)鍵詞匹配結合向量空間模型來(lái)進(jìn)行判斷。Google就是這么做的，在其官方博客有相應的文章介紹。這里，我就做個(gè)大白話(huà)版本的介紹，爭取做到簡(jiǎn)單易懂。