misaky_0407的博客

原创 如何用机器学习方法检测「伪原创」文章？

「伪原创」是搜索引擎优化（SEO）行业的一种方法。最近在学习时遇到这个问题，这里研究了几个思路。如果只是单纯的同义词替换，那么整个句子在语法上相似度应该很高。先对句子做依存句法分析，然后再计算句法层面的相似度。可以参考程序查重的方法，直接通过检查内存调用、分析语法树等方式进行查重，你替换个变量名，表面上改改排版一抓一个准。自然语言可以用类似的方法，为一篇文章建立一个语义层面上的树，所有近义词都会...