搜索引擎對關(guān)鍵字堆砌的識別
搜索引擎和搜索引擎優(yōu)化(SEO)一直是一對矛盾，合理的優(yōu)化有助于搜索引擎對網(wǎng)站內(nèi)容的識別，有助于網(wǎng)站的推廣。然而有正面，就有反面，一些SEOers通過各種欺騙手段來欺騙搜蘇引擎，以期達(dá)到增加頁面收錄數(shù)和頁面排名的目的。
早期的關(guān)鍵字堆砌SPAM作弊方式之一，是將中文詞庫中的單詞直接用軟件拼湊成文章，這樣的文章沒有實際的意義，只能給搜索引擎看。那么對于這樣的文章，搜索引擎是通過什么方式來識別的呢？
我們知道，每個搜索引擎都有網(wǎng)頁質(zhì)量監(jiān)控部門，對于百度等摻雜人工處理的搜索引擎而言，用戶發(fā)現(xiàn)這樣的網(wǎng)站，投訴到百度，百度直接封了這個網(wǎng)站了事。但對于Google這樣的封站也是自動處理的搜索引擎而言，對關(guān)鍵字堆砌作弊的識別就顯得更為重要了。
對于關(guān)鍵字堆砌作弊方式的識別，搜索引擎一般采用統(tǒng)計分析的方法進(jìn)行。
搜索引擎首先將網(wǎng)頁進(jìn)行分詞，分詞完成后可以得到詞的數(shù)量N和文章長度L，從大量文章的統(tǒng)計中發(fā)現(xiàn)文章的長度L和詞的數(shù)量N兩個數(shù)字之間存在一定的分布關(guān)系，一般而言L/N界于4至8之間，均值大約在5-6之間。也就是說一篇長度為1000字節(jié)的文章中，應(yīng)該有125-250個分詞，由于中文和英文的詞的組成不一致，因此在英文和中文中這個比值的范圍會有所不同。如果搜索引擎發(fā)現(xiàn)L/N特別大，那么這篇文章就存在就存在關(guān)鍵字堆砌現(xiàn)象了，如果L/N特別小，則可能是這篇文章是由一些詞所組成的沒有意義的文章，筆者對泥胚文章中的不同作者發(fā)表的文章進(jìn)行了驗證，基本上都服從這個比值范圍。
進(jìn)一步，通過大量正常文章統(tǒng)計發(fā)現(xiàn)，文章中密度最高的幾個關(guān)鍵字出現(xiàn)的次數(shù)之和與N/L存在一定的分布關(guān)系，搜索引擎就可以通過網(wǎng)頁中的分布與統(tǒng)計結(jié)果的分布圖進(jìn)行比較得出文章是否存在關(guān)鍵字堆砌的現(xiàn)象。
此外，搜索引擎還將從停止字的比例來判定文章是否為自然文章。停止字就是如“的”“我”“是”等在文章中普遍使用的字或詞，如果文章中停止字的比例在正常的比例范圍之外，這個網(wǎng)頁應(yīng)提交到網(wǎng)頁質(zhì)量監(jiān)控部門審核。
當(dāng)然，還有更多的算法可以對網(wǎng)頁與自然語言的文章進(jìn)行比較分析，以判別文章是否為自然文章。
所謂魔高一尺、道高一丈，有些作弊者已經(jīng)放棄了單詞的組成文章的作弊方式，而改用句子組成文章的作弊方式，作弊者通過爬蟲或其它方式獲得網(wǎng)上文章的句子，并用軟件將數(shù)十篇文章的某幾句拼湊成一篇文章。這就需要搜索引擎做語義的分析來判斷是否作弊了，然而目前關(guān)于語義分析的研究還處于研究階段，這也是下一代智能搜索引擎的方向。
然而我們?nèi)匀徊荒軐⒆詣游恼律梢还髯哟蛩溃谌斯ぶ悄艿奈恼律扇匀皇侨祟愌芯孔陨碚Z言以及自身智能的一個重要方向。作弊與反作弊，將能促使人類對人工智能的研究。
如果到最后，軟件能生成人類能夠理解的文章，這是SPAM還是精華？你能肯定地說目前存在的智能化程度還不夠高的RSS聚合文章一定是SPAM嗎？然而，如果這樣的文章海量的出現(xiàn)，我們又該如何去面對這個現(xiàn)象？
文章作者：創(chuàng)優(yōu)盛業(yè)網(wǎng)站建設(shè) 文章來源：www.cmzxujn.cn |
