Google是如何判断原创与伪原创

今天无意间看到这篇文章，现在我们做SEO肯定是原创是最好的，同时也有过多次的实战经历，百度对原创文章的网站给予的权重很高。但是现在大家普遍的手法是伪原创。今天看到这篇谷歌如何去判断原创和伪原创的文章，觉得对大家还是有一定的帮助，特意整理下，发上来给大家参考下。另我的上海SEO博客希望大家多支持点原创文章，谢谢。以下为正题：

1. 相似度

相似度主要依靠词频和反文档频率两个来判断。词频指的是某一个给定的词语在该文件中出现的次数。反文档频率指的是：如果包含词条的文档越少，反文档频率越大，则说明词条具有很好的类别区分能力。大概意思是如果某个词或短语在一篇文章中出现的频率高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。当两篇文章的特征向量趋于一致的时候，我们认为这两篇文章的内容接近，如果一致则说明是重复的。

2. 数据指纹

当搜索引擎通过相似度把文章收集起来后，要判别一下是否是重复文章，经常用的就是数据指纹，数据指纹有很多种算法，常见的比如讲文章的标点符号提出，进行对比，你很难想象有两篇不同的文章，标点符合是一致的。还有对向量进行对比，也就是关键词密度等等来判断。像我们一般的把文章的段落重排，但是文章的词频等是一致的，也会被判断出来。

3. 代码噪音

何为代码噪音？先让我们了解一下原理：

--------------------------------------------------------------------

学过信息论和有信号处理经验的读者可能知道这么一个事实，我们如果在发动机很吵的汽车里用手机打电话，对方可能听不清；但是如果我们知道了汽车发动机的频率，我们可以加上一个和发动机噪音相反的信号，很容易地消除发动机的噪音，这样，收话人可以完全听不到汽车的噪音。

消除噪音的流程可以概括如下，



-------------------------------------------------------------------

一般Google都会通过对代码的布局和噪音比例进行区分，哪些是导航，哪些是正文，并可以对一些典型的代码进行忽略。那么我们在做模板的时候，就要注意了。这里有个纠结点，就是整页面降噪，方便搜索引擎进行正文的确认，但是正文区要适当的加燥，增加搜索引擎识别重复性的难度。