偽原創的目的,是讓搜尋引擎把一篇文章判定為原創,從而給予較高權重。常見做法包括同義詞替換、句式調整等。本文從各個層面拆解偽原創的邏輯,並示範如何自己動手做一套程式——不必再買昂貴的偽原創軟體。
1、PHP
2、MySQL
3、SCWS 分詞系統
用其他類似的腳本語言、資料庫或分詞系統也可以,這裡只提供思路。
下載 SCWS 分詞系統,依官方文件安裝並測試通過。SCWS 是設計給C語言使用的,同時也提供了 PHP 擴充,你也可以直接用C語言來寫。
所謂「肢解文章」,就是把文章切成一句一句。這需要自己寫程式,我提供一個思路:以句號、驚嘆號、問號作為切分標記;以左引號、左括號、左書名號作為起始符,右引號、右括號、右書名號作為結束符。遍歷文章,遇到起始符進入「不可切分」狀態,遇到結束符退出;只有在可切分狀態下遇到切分標記時,才把已讀內容切為一句。
之所以要維護這個狀態,是為了保護包在括號、引號、書名號裡的標點。例如「他說:『我愛你。』」這裡的「我愛你。」就不會被誤切。
把切好的句子進一步拆解成詞。例如「蘋果與西紅柿一個是水果一個是蔬菜」可以分成「蘋果」「與」「西紅柿」「一個」「是」「水果」……。這一步需要 SCWS 的協助,正常安裝之後,分詞只需要呼叫一個函數。此外還要取得詞性資訊,例如名詞、動詞等。
這一步需要一個知識庫。可以下載《哈工大信息檢索實驗室同義詞詞林》擴展版,裡面收錄了大量同義詞,每個詞有多個編碼代表多義,同一編碼下的詞互為同義。把它讀進資料庫備用。
接著依產業設定你的關鍵詞。例如做房產網站,關鍵詞可能是「租房」、「出租」、「二手房」、「房屋契約」,盡量列多一點,再依同義詞詞林替換。
為什麼只替換關鍵詞?因為非關鍵詞部分一改容易語意怪異,而且非領域詞的權重不如領域關鍵詞,為了改寫而犧牲通順度,得不償失。
文章相似度的計算,是由句子相似度疊加而來,句子相似度又由詞相似度算出。所以即使替換了同義詞,文章仍可能被判定為相似。怎麼辦?先理解相似度怎麼算。
同義詞詞林的編碼不是隨便編的,它把詞義分成五層:大類、中類、小類、詞群、原子詞群。例如「學生」與「老師」必屬同一大類,因為都是人;「西紅柿」與「番茄」必屬同一詞群,因為指的是同一樣東西。相似度因此可以分級計算:以100為完全相同,大類相同得10,中類再相同得20,小類再相同得50,詞群再相同得90,原子詞群再相同得100。用「再」是因為只要有一層不同,後面就不必比了。
於是比對兩篇文章同一句子中出現的詞,算出每句相似度,再疊加出文章相似度——這裡的算法概念類似PageRank,是以貢獻度遞推計算。
那實際要怎麼做?我們要擾亂標點,干擾搜尋引擎的分句處理。
人看新聞或資訊時通常不在意標點,有些人甚至一眼掃過,斷句亂一點並不影響理解。所以可以隨意替換句中的句號與逗號,讓搜尋引擎的分句結果改變,進而影響相似度計算。
越靠前的內容越重要,這點無庸置疑,所以要為文章做摘要並置於頂部。摘要要有一定壓縮率,例如1000字的文章做100字摘要。這裡不按字數統計,按句子數比較方便,因為已經切好句了——500句規模的文章,取20句左右即可。
摘要的關鍵在選句。摘要只是讓人掌握大意,所以有一點點語意不順是可以承受的。
選句同樣依賴關鍵詞,做法是以權重挑句:包含關鍵詞的句子權重高,包含數量越多權重越高。依原文順序、按權重高低依序取出,直到湊足所需句數,再拼接成文摘。
還可以做得更好:從網路上找句子相似度算法,把相似句剔除,避免語意重複——因為含關鍵詞多的句子,意思很可能是重疊的。
偽原創很重要的一點是改標題,而且一定要改。依相似度算法來看,改標題要改得煥然一新。把「高考10招」改成「高考十招」,這種改法根本是把搜尋引擎當傻子。
那該怎麼改?換個說法:「專家十點建議,助你備戰高考」、「做到這十項,高考滿分」、「清華離你只有十步」。意思沒變,但更吸引點擊,也不會被判為雷同。
權重低的句子也有用處。我們認為它們不重要,但搜尋引擎不知道,所以把它們的順序稍微打亂,不影響語意,卻能有效干擾比對。
要注意的是,目前市面上一些偽原創軟體無章法地打亂全篇順序,這是不可取的。例如一篇介紹10個軟體的文章已經標好1到4的順序,改寫後順序全亂,讀者根本看不懂。本文說的是在局部範圍內、針對非關鍵句做調換,既干擾了比對,也保住了可讀性。
除非你的文章只是寫給搜尋引擎看而不是給人看,否則就動手做一套自己的偽原創程式吧。
感謝龍居客網站長提供(https://www.longjuke.com)
感謝 duway 的投稿