很多做谷歌優(yōu)化的站長在做站群的時候生成大量的內容來填充網站，由于時間和精力的局限，絕大多數站長一般都會借助采集軟件采集+偽原創(chuàng)，對于原創(chuàng)和偽原創(chuàng)Google是怎么判斷的呢？其實Google對于偽原創(chuàng)的判別要比百度來的準的多，現在我們就來看下Google是通過哪幾方面判定原創(chuàng)與偽原創(chuàng)的。

內容相似度
內容相似度是搜索引擎去重用的最多的算法，用的比較多的一種是TF/IDF算法，這個也是計算相關性的算法，TF-IDF的主要意思是說：如果某個詞或短語在一篇文章中出現的頻率高，并且在其他文章中很少出現，則認為此詞或者短語具有很好的類別區(qū)分能力，適合用來分類。
TF詞頻（Term Frequency）指的是某一個給定的詞語在該文件中出現的次數。

IDF反文檔頻率（Inverse Document Frequency）指的是：如果包含詞條的文檔越少，IDF越大，則說明詞條具有很好的類別區(qū)分能力。

當一篇文章根據TF/IDF進行計算后，形成了一個多維的向量，這個向量就是這篇文章的內容特征向量，當兩篇文章的特征向量趨于一致的時候，我們認為這兩篇文章的內容接近，如果一致則說明是重復的。

關于TF/IDF與向量算法的詳細請參看Google黑板報的數學之美12-余弦定理與新聞分類

數據指紋
當搜索引擎通過相似度把文章收集起來后，要判別一下是否是重復文章，經常用的就是數據指紋，數據指紋有很多種算法，常見的比如講文章的標點符號提出，進行對比，你很難想象有兩篇不同的文章，標點符合是一致的。還有對向量進行對比，也就是TF詞頻（關鍵詞密度）等等來判斷。
這時候你可以想象出，現在很多偽原創(chuàng)工具，只是把關鍵詞進行了替換，你想關鍵詞替換后，標點符號指紋是不變的，甚至連TF詞頻都不變。還有對文章進行段落的重拍，這個的確是打亂了標點符號，但是向量和詞頻問題依然存在。那么這樣的偽原創(chuàng)工具有沒有價值你就可想而知了。（可能對于百度還是有作用的）

代碼噪音
前面說的這些，都是基于一個條件的，就是搜索引擎要知道文章是什么，因為每個網站的模板都不同，代碼也不同，各種信息混合在一起，如果能找到正文就是搜索引擎第一要處理的。

一般Google都會通過對代碼的布局和噪音比例進行區(qū)分，哪些是導航，哪些是正文，并可以對一些典型的代碼進行忽略。那么我們在做模板的時候，就要注意了。這里有個糾結點，就是整頁面降噪，方便搜索引擎進行正文的確認，但是正文區(qū)要適當的加燥，增加搜索引擎識別重復性的難度。

更多高端網站建設、專業(yè)網站設計、網站制作、網站開發(fā)等相關，歡迎您咨詢深圳中工互聯！