百度识别原创文章的方法策略是什么
2018年6月26日 来源：马海祥博客凡是做SEO的人，都和网站内容有着很大的挂钩，大多数人都强调内容要做原创，但认真做好原创内容的并不多，不过我依然坚持每天更新着原创，虽说排名权重依然没见影，但长期的更新能让自己学习到更多，虽说是原创，但是否具备参考价值，就留给读者慢慢品味了。
伪原创文章我也说了很多次，但一直没有提到过，如何了解百度是识别伪原创文章的，以及如何针对百度做出相应的布局和调整！那今天马海祥就和大家一起去了解一下百度如何识别伪原创的文章的！
学习的目的就是学以致用，我们了解百度就是想如何的避免识别！
一、搜索引擎为什么要重视原创？
对应采集严重的现象，你会发现有价值的内容几乎都一样，导致用户找不到自己所需要的内容，于是就会使用其他的搜索引擎，目前国内的搜索引擎不再是百度一家独大，都是百家争鸣的局面，因此搜索引擎之间也是具备着各种各样的竞争性的，因此服务好用户，才是搜索引擎的最佳目的，而我们做SEO的，则是配合搜索引擎更好的服务于用户。
1、采集泛滥化
来自百度的一项调查显示，超过80%的新闻和资讯等都在被人工转载或机器采集，从传统媒体的报纸到娱乐网站花边消息、从游戏攻略到产品评测，甚至高校图书馆发的催还通知都有站点在做机器采集。
可以说，优质原创内容是被包围在采集的汪洋大海中之一粟，搜索引擎在海中淘粟，是既艰难又具有挑战性的事情（具体可查看《关于采集站采集文章更新维护的一些问答》的相关介绍）。
2、提高搜索用户体验
数字化降低了传播成本，工具化降低了采集成本，机器采集行为混淆内容来源降低内容质量。采集过程中，出于无意或有意，导致采集网页内容残缺不全，格式错乱或附加垃圾等问题层出不穷，这已经严重影响了搜索结果的质量和用户体验。
搜索引擎重视原创的根本原因是为了提高用户体验，这里讲的原创为优质原创内容。
3、鼓励原创作者和文章
转载和采集，分流了优质原创站点的流量，不再具属原创作者的名称，会直接影响到优质原创站长和作者的收益。长期看会影响原创者的积极性，不利于创新，不利于新的优质内容产生。鼓励优质原创，鼓励创新，给予原创站点和作者合理的流量，从而促进互联网内容的繁荣，理应是搜索引擎的一个重要任务。
二、采集很狡诈，识别原创很艰难
在优化内容的过程中，站长们总是会想去网上收集一些高质量的内容，但找了许久，发现大多都是一样并且重复的内容，其他内容完全找不到，这样的现象出现在整个互联网，采集信息现象泛滥，导致互联网上没有其他具有价值的内容，而只有少部分网站在坚持提供原创内容，因此往往会看到，坚持更新原创并具备价值内容的网站权重很高，这也算是内容差异化的打造现象。
1、采集冒充原创，篡改关键信息
当前，大量的网站批量采集原创内容后，用人工或机器的方法，篡改作者、发布时间和来源等关键信息，冒充原创。此类冒充原创是需要搜索引擎识别出来予以适当调整的（具体可查看《有效防止文章被复制采集的方法技巧》的相关介绍）。
2、内容生成器，制造伪原创
利用自动文章生成器等工具，“独创”一篇文章，然后安一个吸引眼球的title，现在的成本也低得很，而且一定具有独创性。然而，原创是要具有社会共识价值的，而不是胡乱制造一篇根本不通的垃圾就能算做有价值的优质原创内容。内容虽然独特，但是不具社会共识价值，此类伪原创是搜索引擎需要重点识别出来并予以打击的。
3、网页差异化，结构化信息提取困难
不同的站点结构化差异比较大，html标签的含义和分布也不同，因此提取关键信息如标题、作者和时间的难易程度差别也比较大。做到既提得全，又提得准，还要最及时，在当前的中文互联网规模下实属不易，这部分将需要搜索引擎与站长配合好才会更顺畅的运行，站长们如果用更清晰的结构告知搜索引擎网页的布局，将使搜索引擎高效地提取原创相关的信息。
三、百度识别伪原创文章的方法
我们先不考虑百度是怎么识别的，如何是你，你该如何去判断一些文章的相似性，你是不是也有什么什么新的创意思想，是不是能准确快速的判断文章的相似性呢？你的脑海里是不是有了答案了，好！那现在我就带着大家深刻了解百度识别伪原创文章的方法，和你想象的是不是一样的呢？
1、百度蜘蛛的第一步工作就是把抓取的文章页进行一个，去标签，去链接的工作，紧接着就是要下面的工作了！
2、用比对的方式，也就是拿很多文章来，交叉比对，看看都有多少一样的！最后计算出两篇文章的相似度！相似度高，说明你的文章是复制的，抄袭的！
3、百度蜘蛛会把多个文章相同的部份去掉；剩下的就是文章的主要内容了，这样赤裸裸的文章更好比较！
4、百度蜘蛛会分词，把重复的词去掉，然后重新排序，成为一个词的数组，这个词组就是判断相似的另一个标准！
看到上面的几步骤，是不是和你想象的是一样呀！看到这是不是文章的相似度就可以得到比较了，是不是就可以计算出文章的相似度了呀！当然我们的主要目的还是如何运用这些技巧和策略 ！
四、百度如何识别原创文章？
采集得多，不但会导致互联网上的内容同质化严重，也会出现一些文字图片的丢失现象，影响用户的搜索体验，因此搜索引擎才会推出一系列算来来要求广大站长提供优质的内容，因此在这里马海祥建议广大做SEO的朋友，坚持提供原创的优质内容，你的排名和权重自然会看到春天。
1、成立原创项目组，打持久战
面对挑战，为了提高搜索引擎用户体验、为了使优质原创者原创网站得到应有的收益、为了推动中文互联网的前进，我们抽调大量人员组成原创项目组：技术、产品、运营、法务等等，这不是临时组织不是1个月2个月的项目，我们做好了打持久战的准备（具体可查看《百度算法升级:将打击复制采集、超链作弊和冒充官网欺诈内容网站》的相关介绍）。
2、原创识别“起源”算法
互联网动辄上百亿、上千亿的网页，从中挖掘原创内容，可以说是大海捞针，千头万绪。我们的原创识别系统，在百度大数据的云计算平台上开展，能够快速实现对全部中文互联网网页的重复聚合和链接指向关系分析。
首先，通过内容相似程度来聚合采集和原创，将相似网页聚合在一起作为原创识别的候选集合。
其次，对原创候选集合，通过作者、发布时间、链接指向、用户评论、作者和站点的历史原创情况、转发轨迹等上百种因素来识别判断出原创网页。
最后，通过价值分析系统判断该原创内容的价值高低进而适当的指导最终排序。
目前，通过我们的实验以及真实线上数据，“起源”算法已经取得了一定的进展，在新闻、资讯等领域解决了绝大部分问题。当然，其他领域还有更多的原创问题等待“起源”去解决，我们坚定的走着。
3、原创星火计划
我们一直致力于原创内容的识别和排序算法调整，但在当前互联网环境下，快速识别原创解决原创问题确实面临着很大的挑战，计算数据规模庞大，面对的采集方式层出不穷，不同站点的建站方式和模版差异巨大，内容提取复杂等等问题。这些因素都会影响原创算法识别，甚至导致判断出错。
这时候就需要百度和站长共同努力来维护互联网的生态环境，站长推荐原创内容，搜索引擎通过一定的判断后优待原创内容，共同推进生态的改善，鼓励原创，这就是“原创星火计划”，旨在快速解决当前面临的严重问题。
另外，站长对原创内容的推荐，将应用于“起源”算法，进而帮助百度发现算法的不足，不断改进，用更加智能的识别算法自动识别原创内容。
目前，原创星火计划也取得了初步的效果，一期对部分重点原创新闻站点的原创内容在百度搜索结果中给予了原创标记、作者展示等等，并且在排序及流量上也取得了合理的提升。
最后，原创是生态问题，需要长期的改善，我们将持续投入，与站长携手推动互联网生态的进步；原创是环境问题，需要大家来共同维护，站长们多做原创，多推荐原创，百度将持续努力改进排序算法，鼓励原创内容，为原创作者、原创站点提供合理的排序和流量。
五、如何做伪原创文章？
原创内容也不是万能的，很多朋友在做SEO的时候，完全是为了原创内容而做原创，想方设法自己去写，若是了解的还好，若是对行业不了解的，那写出来的参考价值性也会大打折扣，甚至有的做伪原创，打乱段落顺序，替换关键词等方法，只要影响了用户的阅读参考，就一样是垃圾内容。
下面马海祥就教大家如何去伪原创文章！方法如下：
1、加摘要
2、打乱段落的顺序
3、词语替换
4、插入注解信息
5、开头结尾加原创说明
6、图片替换法
7、加入相关文章！
看到这些方法，你肯定会问，那么哪一些对于搜索引擎会成为有效的呢？
第4个，即插入注解信息的，这一个方法，在某种程度上解，还是比较不错的，不过相似度还是很高的，当去掉重复的东西以后，就会有一个相似度了！相似度还是比较高的！
第5个，开头结尾加原创，这一个，可以在一定的程度上降低相似度，但比较费力！
第6个，图片替换法，这个方法不错，但如果图片过多，那么文字就会变得很少了！
第7个，加入相关文章，这个方法还是不错的！
因为在某种程度上讲，上面的这些方法可以较大能力的降低文章的相似度！但我还是期待大家能自己写出真正的文章！
点评：
虽说互联网大多都是泛滥采集，但依然有部分人坚持提供原创价值的内容，而搜索引擎对待这部分作者也是有特殊照顾的，若是辛辛苦苦写出来的原创，才刚发表就被别人采集去了，很容易打击作者的创作积极性的，在目前竞争激烈的互联网之中，只有让广大站长提供价值原创内容，才能让用户得到更好的体验。
