谷歌如何分辨文章是否原创还是伪原创

谷歌的文章是否原创还是伪原创首先我们要先掌握几个概念：

1.相似度

相似度是搜索引擎去重用的最多的算法，用的比较多的一种是TF/IDF算法，TF-IDF的主要意思是说：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。

TF词频（Term Frequency）指的是某一个给定的词语在该文件中出现的次数。

IDF反文档频率（Inverse Document Frequency）指的是：如果包含词条的文档越少，IDF越大，则说明词条具有很好的类别区分能力。

当一篇文章根据TF/IDF进行计算后，形成了一个多维的向量，这个向量就是这篇文章的内容特征向量，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。

关于TF/IDF与向量算法的详细请参看 Google黑板报的数学之美12-余弦定理与新闻分类

2.数据指纹

当搜索引擎通过相似度把文章收集起来后，要判别文章是否重复，一般用的就是数据指纹，，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TF词频等等来判断。

3.代码噪音

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。