2022-11-12 分類: 網(wǎng)站建設(shè)
在這個科技高度發(fā)達的時代,百度已經(jīng)成為人們能獲取消息的主要途徑。但如今的百度,到處充斥著一些重復(fù)的內(nèi)容,對用戶的訪問造成很大的困擾。因此,百度需要對網(wǎng)頁重復(fù)進行判斷,對重復(fù)的網(wǎng)頁,只選取一些高質(zhì)量的我那工業(yè),共用戶瀏覽。然而,現(xiàn)有技術(shù)中一般是通過比較兩個頁面的內(nèi)容和借點,來確認兩個頁面的相似度。
這種方法能夠計算的比較準確,可時間復(fù)雜度太高,計算很費時間。通過對一個頁面中的某些重要信息進行簽名,然后比較兩個頁面的簽名,來計算相似度,這種方式比較簡單高效,計算速度比較快,比較適合百度這種海量信息的應(yīng)用場景。
1,網(wǎng)站重復(fù)內(nèi)容的判斷
A,獲取多個網(wǎng)頁;
B,分別提取網(wǎng)頁的網(wǎng)頁正文;
C,從網(wǎng)頁正文中提取一個或多個句子,并根據(jù)一個或多個句子計算網(wǎng)頁正文句子簽名;
D,根據(jù)網(wǎng)頁正文句子簽名對多個網(wǎng)頁進行聚類;
E,針對每一類下的網(wǎng)頁,計算網(wǎng)頁的附加簽名;
F,根據(jù)附加簽名判斷每一類下的網(wǎng)頁是否重復(fù)。
網(wǎng)站頁面基本架構(gòu)
提取正文
A,對網(wǎng)頁進行分塊;
B,對分塊后的網(wǎng)頁進行塊過濾,以獲取包含網(wǎng)頁正文的內(nèi)容快;
C,從內(nèi)容塊中提取網(wǎng)頁正文。
正文分句
A,對網(wǎng)頁正文進行分句;
在本步驟中,可利用分號,句號,感嘆號等表示句子完結(jié)的標志符號來對網(wǎng)頁正文進行分句。此外,還可以通過網(wǎng)頁正文的視覺信息來對網(wǎng)頁正文進行分句。
B,對分句后的網(wǎng)頁正文進行過濾及轉(zhuǎn)換;
在步驟中,先過濾掉句子中的數(shù)字信息;版權(quán)信息以及其他對網(wǎng)頁重復(fù)判斷不起決定性作用的信息。隨后,對句子進行轉(zhuǎn)換,例如,進行全角/半角轉(zhuǎn)換或者繁體/簡體轉(zhuǎn)換,以使得轉(zhuǎn)換后的句子的格式統(tǒng)一。
C,從過濾及轉(zhuǎn)換后的網(wǎng)頁正文中提取長的一個或多個句子;
在本步驟中,過濾及轉(zhuǎn)換后的網(wǎng)頁正文提取出長的一個句子或者做場的預(yù)定數(shù)量連續(xù)句子的組合。例如,某個網(wǎng)頁實例中,經(jīng)過過濾及轉(zhuǎn)換后的某段長,遠超其他句子,因此可選擇該段為網(wǎng)頁正文句子,或者選擇長的連續(xù)句子組合作為網(wǎng)頁正文句子。
D,對一個或多個句子進行hash簽名運算,以獲取網(wǎng)頁正文句子簽名。
simhash算法就是比較各網(wǎng)頁的附加簽名是否相同或相似來判斷網(wǎng)頁是否重復(fù)。具體來說,在比較利用simhash簽名運算獲得的網(wǎng)頁正文簽名時,比較網(wǎng)頁正文簽名的不同位數(shù),不同位越少,表示網(wǎng)頁重復(fù)的可能性越高,在比較其他的附加簽名時,若附加簽名相等,表示網(wǎng)頁在該緯度上重復(fù)。
總結(jié):
1、兩個網(wǎng)頁的真實標題簽名相同。
2、兩個我那工業(yè)的網(wǎng)頁內(nèi)容簽名相同。
3、兩個網(wǎng)頁的網(wǎng)頁正文簽名的不同位數(shù)小于6.。
4、兩個網(wǎng)頁的網(wǎng)頁位置簽名相同,并且url文件名簽名相同。
5、評論塊簽名、資源簽名、標簽標題簽名、摘要簽名、url文件名簽名中有三個簽名相同。
附加信息整站判斷重復(fù)標準:
當(dāng)前題目:百度如何判斷網(wǎng)頁文章的重復(fù)度
網(wǎng)頁網(wǎng)址:http://m.newbst.com/news/212761.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供品牌網(wǎng)站設(shè)計、做網(wǎng)站、App開發(fā)、標簽優(yōu)化、小程序開發(fā)、網(wǎng)站建設(shè)
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容