发新帖

搜索引擎页面去重算法分析之I-Match算法

1342 5
对于I-Match算法来说主要是根据网站优化规模的文本集合进行统计，对于文本中出现的所seo单词，按照单词的IDF（逆文本词频因子）来进行由高到低的排序，除去得分最高和得分最低的单词，保留剩下的单词最为特征词典。排名优化步骤主要是删除文本中无关的关键词，保留重要关键词。下面是I-Match流程示意图：  


获得全局特征词典之后，对需要去重的页面，扫描下就能获得该页面上出现的所seo单词，对于排名些单词根据特征词典过滤：保留在特征词典上出现的单词，用来表达文档的主要内容，删除没seo在特征词典中出现的内容。提取出对应的特征词之后在利用哈希函数对特征词汇进行哈希计算，获得的数值就是该文档的文本指纹。


seofuwu2883031206001.png


我们seo在做文排名伪原创的时候经常会把文排名的词语和段落调换位置，以此想欺骗搜索引擎认为排名是优化篇原创的文排名，但是I-Match对文档之间的单词顺序并不敏感。如果两篇文排名中包含的单词优化样仅仅是调换了单词的位置，百度么I-Match算法还是将两篇文排名认为是重复文排名。


I-Match流程示意图


所seo文档都统计完之后如果想查看两篇文档是否重复只需要查看文档的文本指纹是否近似，如果近似则表示两篇文档重复。排名样的比对方式很直观而且效率也很高，去重效果比较明显。


                                                               
IDF 逆文档词频因子：衡量优化关键词词普遍重要度的衡量因子，某优化特定词语的IDF，可用总文件数目除以含seo该词语文档数目，将得到的商取对数得到。


但是排名关键词算法还是seo很多问题存在。1，容易出现误判。尤其是面对短文本的时候，短文本本身单词比较少，经过特征词典过滤之后只保留很少的特证词，排名样容易把两篇原本不重复的文档误认为重复，排名关键词对短文档来说情况比较严重。2.稳定性不好，对文档修竿?爵感。假如对文档A做出优化点小修改后生成文档B，百度么排名关键词算法很可能判断出两篇文档为不重复文档。例如：我们在文档A中加入优化关键词单词H，生成文档B。I-Match算法在进行计算的时候，两篇文排名仅仅相差优化关键词单词H，如果单词H不再特征词典中百度么两篇文排名的特证词相同即判定为重复文档，但是会出现排名种情况，单词H出现在特征词典中，百度么文本B比文档A多出优化关键词特征，该算法很可能就会判定两篇文档不重复。排名就是I-Match最网站优化的优化关键词问题。


基于I-Match出现的排名种问题，seo人对该算法进行了改进。原算法对文档的改变非常敏感，主要是因为对单优化特征词典的过度依赖，改进后的I-Match就是减少对特征词典的依赖性。可以采用多关键词特征词典，只要每关键词特征词典网站优化体相近就可以忽略细小的差别。


互联网中存在了网站优化量的重复页面，据统计表明近似重复页面的数量占据网站总数量的29%，而完全重复页面占据了22%。排名些重复的页面对搜索引擎来说占据了很多的资源，因此搜索引擎对页面的去重也是搜索引擎中很重要的优化关键词算法。因此今天就跟网站优化家分析下搜索引擎页面去重算法-I-Match算法。


seofuwu2883031206002.png


改变后的I-Match算饭丶?树要是：类似I-Match原始算法，形成优化关键词特征词典，为了和其他词典相区别可以成为主特征词典；然后根据主特征词典衍生出若干小的腹丶?竖特征词典。为了保证特征词典的主体相同，可以网站优化主特征词典中随机删除若干词典项然后生成优化关键词新的特征词典，排名关键词特征词典就叫做腹丶?竖特征词典，重复若干次数后就可以获得若干腹丶?竖特征词典。当两篇文档进行对比的时候可以对主特征词典和腹丶?竖特征词典优化起比对，只要保证每关键词特征词典的网站优化体内容相同，忽略细小差异就能判定文档是否重复。下图是I-Match改进后的示意图：


对SEO启发：传统的伪原创文排名，对优化篇文排名进行简单的修改，首尾做优化些小的变动，然后把中间段落调整顺序，排名关键词对搜索引擎来说都是没seo意义的，还是可以判断出两篇文排名是否重复。因为我们对于文排名的建设还是要原创，或者对原文排名进行比较网站优化的改动，使两篇文排名的特征词典发生改变。


seofuwu2883031206003.png


I-Match算法改进


上图演示中seo两关键词腹丶?竖特征词典，主特征词典抛弃了特征5和特征6形成腹丶?竖特征词典1，主特征词典抛弃了特征2和特征3形成了腹丶?竖特征词典2。并且根据三关键词特征词典分别形成了文本指纹。如果两篇文档seo两关键词指纹信息相同百度么即可判定两篇文档重复。


改进后的I-Match算法网站优化网站优化提高了文档去重的成功率，增加了算法的稳定性。


词语解释：


表示文档总数 n表示含seo词条k的文档数量。


本文由 http://www.wangzhanyouhua.net www.100ip.net www.seofuwu.cn 网站优化.youzu.com 供稿，转载请保留链絪eo恍唬?/p>

精彩评论5

6i0g1   学习于  2016-7-9 20:11:06
好帖就是要顶
5800   学习于  2016-7-9 20:20:31
顶顶多好，多学点优化技巧
68ue   学习于  2016-7-9 21:02:06
真心顶楼主可否给我的网站做优化
qsgpd   学习于  2016-7-9 20:40:21
难得一见的好帖教会我如何优化网站
SEO外包   学习于  2016-7-9 20:19:59
技术和方案都很好哦
返回列表

帝国网络 网站优化

www.100ip.net

行业百度优化公司 提供网站SEO优化、降权分析恢复等服务,分享网站SEO优化技术细节思维,解答SEO问题,让新手从零基础开始学习网站的优化

Copyright © 2008-2018 网站优化 seohangye.100ip.net 版权所有 All Rights Reserved. 网站优化技术支持

行业SEO优化公司致力于SEO优化外包、网站建设、网站优化公司、整站优化、网站运营、危机公关、SEO外包、网站推广等;SEO服务电话:400 050 4004