绝大部分用户的搜索页面，第一页只有10个结果，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个就可以最大限度的满足用户体验。那么经过3-5年的布局，逐渐筛选出一些耐得住寂寞和认真做细节的站，这时候我再将这一部分算法进行调整，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考因素，比如域名年龄、JS数量，网站速度等。

　　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，他提取不到内容1。

　　好，经过这一系列处理，我已经获得了内容1与内容2了，下面该进行原创识别的算法了。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。

　　那么，我通过分析内容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。

　　那么假定我判定的两个页面分别是i与j。则我计算出两个公式。

　　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。

　　一直关注google反作弊小组官方博客的朋友们，应该看过google关于相似文章判断算法的那篇博文，在那篇文章中，其主要使用的是余弦定理，就是主要计算夹角。不过后来Mr.Zhao又看了好几篇文献，觉得那篇博文应该仅仅是被google抛弃后才解密的，现在大体算法的趋势，应该是计算夹角与长度，所以选择现在给大家看的这个算法。好的，这里我们注意到了几个问题。

　　1.α被判定为重复时的取值范围是否可变?

　　2.内容中如何提取出关键词?

　　3.内容中关键词的权重值是如何赋予的?

　　下面我来逐一解答。

　　先说α判断重复时的取值范围，这个范围是绝对可变的。随着SEO行业的蓬勃发展，越来越多人想要投机取巧，而这是搜索引擎不能接受的。于是就会隔几年进行一次算法大更新，而且每一次算法大更新，都会预告会影响百分之多少的搜索结果。那这影响结果的百分数是如何计算出来的?当然不是一个一个数的，在内容方面(其它方面我会在其它文章中阐述)，是通过调整α判断相似度时的取值空间变化来计算的，每一个页面在被我处理是，我所计算出的α值都会存储在数据库中，这样我在每次算法调整时，风险都可做到最大的控制。

　　那么如何提取关键词?这就是分词技术了，我待会再讲。页面内不同关键词的权重赋值也在待会讲。

　　关于文章相似性，简而言之，就是以前大家改一改文章，比如“越来越多SEO开始重视起文章的质量。”改为“高质量的文章被更多的SEO所重视”，这个在以前没有被识别出来，不是我没有识别你的技术，而是我放宽范围，我可以随时在需要的时候，通过设定参数的取值范围，来重新判断页面价值。

　　好，如果这里你有些糊涂，别着急，我接着慢慢的说。上述算法里，我需要知道前N个重要的关键词以及其所对应的权重特征值。那这些数值我如何获取呢?

　　首先，要先分词。针对于分词，我先设定一个流程，然后采用正向最大匹配、逆向最大匹配、最少切分等方式中的一种来进行分词。这个在我会在我的博文《常见的中文分词技术介绍》中讲解，在此不再赘述。通过分词，我得到了这个页面内容1的关键词集合K。

　　在识别内容1的时候，我就已经构建了标签树，那么我的内容1实际上已经被标签树拆解为由段落组成的树状结构了。

　　上图是内容1的标签树。在这里，我遇到一个问题，那就是针对标签树权重赋值的时候，应该是面向整个页面的标签树，还是仅仅面向内容1的标签树的?

　　很多朋友可能会认为，既然是针对内容1的关键词进行赋值判断，那只处理内容1就好了。其实不然。一款搜索引擎，其处理的数据少说也要千万级别的，所以搜索引擎对于高效率的代码与算法要求是极高的。

　　而正常情况下，一个网站的网页是不可能孤立存在的，在对一个页面针对某一个关键词进行排序的时候，除了要考虑站外因素外，我需要考虑站内权重的继承，那么在考虑站内权重继承的时候，我必然避不开内链的计算，同时内链本身也应该有不同的权重区分，而内链权重计算时，我肯定要考虑其所在页面与其相关性。既然如此，我就应该一次性对整个页面所有的信息块进行权重分配，这样才是高效率，同时也充分体现了内容与链接相关性的重要性。用一句大家常能在网上看见的话来说，就是相关性决定了链接投票的有效性。

　　好，既然确定下是整个标签树进行权重赋值，那么下面开始。首先，我要确定重要关键词的词库。重要关键词的确定通过两种方法：

　　1.不同行业的重点关键词。

　　2.针对句子结构与词性的重点关键词。