EMBA的小眼睛

搜索引擎和搜索引擎優化(SEO)一直是一對矛盾，合理的優化有助于搜索引擎對網站內容的識別，有助于網站的推廣。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，以期達到增加頁面收錄數和頁面排名的目的。

早期的要害字堆砌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頁質量監控部門，對于百度等摻雜人工處理的搜索引擎而言，用戶發現這樣的網站，投訴到百度，百度直接封了這個網站了事。但對于Google這樣的封站也是自動處理的搜索引擎而言，對要害字堆砌作弊的識別就顯得更為重要了。

對于要害字堆砌作弊方式的識別，搜索引擎一般采用統計分析的方法進行。

搜索引擎首先將網頁進行分詞，分詞完成后可以得到詞的數量N和文章長度L，從大量文章的統計中發現文章的長度L和詞的數量N兩個數字之間存在一定的分布關系，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字節的文章中，應該有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。假如搜索引擎發現L/N非凡大，那么這篇文章就存在就存在要害字堆砌現象了，假如L/N非凡小，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表的文章進行了驗證，基本上都服從這個比值范圍。

進一步，通過大量正常文章統計發現，文章中密度最高的幾個要害字出現的次數之和與N/L存在一定的分布關系，搜索引擎就可以通過網頁中的分布與統計結果的分布圖進行比較得出文章是否存在要害字堆砌的現象。

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，假如文章中停止字的比例在正常的比例范圍之外，這個網頁應提交到網頁質量監控部門審核。

當然，還有更多的算法可以對網頁與自然語言的文章進行比較分析，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上文章的句子，并用軟件將數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定是否作弊了，然而目前關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。

然而我們仍然不能將自動文章生成一棍子打死，基于人工智能的文章生成仍然是人類研究自身語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。

假如到最后，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，假如這樣的文章海量的出現，我們又該如何去面對這個現象？

參考文獻：《搜索引擎原理、實踐和應用》盧亮、張博文，2007