卢松松:百度“石榴算法”未来发展趋势5点推测

根据百度官方的口吻来推测,这次石榴算法的更新应该只是1.0版本,接下来可能会有一系列的动作,那么除了恶意弹出广告会影响网站整体的排名之外,还有那些内容在不久的将来也可能会被石榴算法击中呢?以下谈谈我的看法。
 
1、 模板信息过多
 
百度石榴算法未来发展趋势5点推测
 
一个网页上几乎全是模板内容,右边栏,左边栏,主导航,底部导航…这个时候问问自己,哪里有内容?可能找起来还真有点困难。这种页面的信噪比过低,对用户不能产生很直接的帮助,同时也会造成搜索引擎资源浪费,这些页面很可能会被将来的石榴击中从而被删除索引库。当然如果你要问我内容应该占多少比例才不会被惩罚,这个我没有办法告诉你。不过我们可以问自己这样一个问题:我们是否通过生成大量空模板来企图获取更多关键词排名。如果确实是这样,那么是该收手了,谷歌的熊猫算法已经对此类页面惩罚过了,相信百度的更新也只是时间问题。
 
2、 采集、抄袭、伪原创
 
百度石榴算法未来发展趋势5点推测
 
一直以来百度对原创内容没有很好的识别机制,往往大站转载小站的原创内容后很可能会认定后者是抄袭者。百度也多次声明会改善这样的机制,否则没有人愿意去写高质量的文章,对百度来说也没有好处,而且目前360势头很猛,一旦360先行一步,研发出这样的识别机制,势必会赢得更多 站长的芳心,那么对百度来说打击无疑是很大的。所以在之后推出的石榴算法中是否能够对一些恶意采集、抄袭和伪原创的内容做相应的措施?让我们拭目以待。
 
3、 大量无价值翻页
 
百度石榴算法未来发展趋势5点推测
 
大网站由于内容过多势必会有一些翻页机制,而有些翻页由于程序本身的问题会返回空内容,而这些空内容页面很可能权重不低,因为翻页链接是全站的,所以这个页面很可能收到许多其他页面指向的链接。但是这个不管是从用户角度还是搜索引擎角度来看,都不符合“高权重”的特质,故此类页面会被搜索引擎扫地出门。
 
另外一种翻页是把一篇完整的文章分成很多页数,当然利用翻页机制把过长的文章分页固然是有利于用户体验,但是有些别有用心的站长完全是为了增加页面收录量,把一些看似很短的文章页给他翻个十几页,那这个显然是不行的。。。
 
4、相似内容过多
 
百度石榴算法未来发展趋势5点推测
 
这个现象在论坛里面出现的比较多一点,有些人为了获得积分大量复制黏贴其他人发的文章,这样会造成搜索引擎收录过多重复内容从而对网站进行惩罚。所以,论坛的监控还是比较重要的,最好采用邀请机制,通过程序设置尽量避免刷帖事件的发生,也不鼓励通过发帖的量来提升自己的地位或是等级,内容多没有用,内容精才是王道,这点要多学学知乎。
 
5、自动回复页面
 
百度石榴算法未来发展趋势5点推测
 
很多博客/论坛为了刷人气,往往在有新内容生成的时候会用机器人自动回帖、顶贴,给人一种很热闹的感觉。但是仔细看我们会发现,其实这些所谓的评论都是实现设定好的,倘若把这些评论放到搜索引擎上搜索一下,会出现千千万万雷同信息。故,这些为了专门骗取关注度或者吸引蜘蛛资源而生成的内容一定会受到百度新算法的惩罚。
 
总结:如何把石榴“吃掉”?
 
站长们无须被一个小小的石榴弄得寝食难安。最好的办法就是把这个石榴吃掉,这东西营养价值是很高的,对自己、对网站是有益处的。故此,尽量避免上述5点错误,专注于为用户提供高质量的内容,别和搜索引擎玩猫捉老鼠,那么不管算法如何变化,我们都不会受到影响,甚至还能逆袭,因为“不听话的孩子”的已经得到了应有的惩罚,听话的孩子自然就脱引而出咯。

转载于:https://www.cnblogs.com/iswdh8/archive/2013/05/21/3091281.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值