我是SEO初学者，在网上看过几篇文章，也看过两本书，对SEO来说，没有什么很深的体会，只是单纯就我所知道的某一点来写写，大虾们别笑啊!
我现在要讲的是：网页查重算法，也就是搜索引擎是怎么检查两个网页的相似性的?这应该是大家应该比较关心的问题吧，因为这有助于让你的“伪原创”更像一个“原创”
首先我跟大家讲有名的I—MATCH算法。
我们在比较两件事物的相似性时，往往都会拿能均衡的反应这事物本质的东西来比较，就像比赛时，要去除一个最高分和最低分，然后再变算总分一样~~
I—MATCH算法基于的依据是，在文挡中，特别高频的词和特别低频的词无法反应这一个文挡的真实内容，所以在比较之前，先将文挡中高频词和低频词去掉(注意：这里的高频和低频指的是文档频率，并非关键词在你网页中的密度!)
我们来看一个例子：
这里有两段网页文字：
1.中国足球队在米卢的率领下首次获得世界杯决赛阶段的比赛资格，新浪体育播报 。
2.米卢率领中国足球队员首次杀入世界杯决赛阶段，搜狐体育播报。(嘿嘿，看到这两句很熟吧?)
文档(一)中去掉高频：中国，在，的，获得，比赛，资格，新浪，体育，播报
去掉低频：米卢
则剩下中频词有：足球队，率领，首次，世界杯，决赛，阶段
文档(二)中去掉高频：中国，搜狐，体育，播报
去掉低频：米卢，杀入
则剩下中频词有：率领，足球队，首次，世界杯，决赛 ，阶段
看到了吧?剩下的，两者是一模一样 这就是相似性的存在
呵呵，其实这个例子很早就有过的。。
综上所述：搜索引擎要检测相似性，主要就是要分词和词频的比较!
