ITSEO已获得首发美团陈慧文章的授权,其同意首发文章于ITSEO,如您要转载请与其取得联系!QQ:375006488

对于转载不注明出处者,我们将投诉,并且在itseo中公布其不道德行为!

 

Shingle算法是搜索引擎去掉相同或相似页面的其中一种基本算法,做SEO聚合页面的时候如何让页面之间不重复?如何处理重复度的问题?可以反推Shingle算法得到一些启发。

Shingle [ˈʃɪŋgəl]在英文中表示相互覆盖的瓦片。先通过一个例子来说明Shingle算法:

假设有A、B两个文档的标题,A文档的标题是:明起电话订火车票可全国通取取票时间延12小时;B文档的标题是:火车票电话订票实现全国通取网上预售期延长。

搜索引擎如何知道这两篇文档标题是否是重复的?比如我们可以以2个汉字切为一个Shingle的方法:

 

 

 

对于长度L的文档,每隔N个汉字切一个Shingle,这样一共切到L-N+1个shingle,A文档标题切成了L-N+1=21-2+1=20个Shingle,B文档标题切成了L-N+1=20-2+1=19个Shingle。

A、B两个文档标题共同的Shingle有图上7个加粗的:电话、话订、火车、车票、全国、国通、通取。

A、 B两个文档标题一共有20+19-7=32个Shingle。

然而,A、B两个文档标题共同的Shingle,除以,A、B两个文档标题一共有的Shingle,就是这两个文档标题的Jaccard系数,可以用来判断A、B两个文档标题的相似度。

A、 B两个文档标题的Jaccard系数=7/(20+19-7)=0.21875

 

从两个文档的标题,可以延伸到两个页面文档,再延伸到N个页面,通过Jaccard系数是否达到相似所需要的标准来判断页面与页面是否相似。

这就是Shingle算法,两个集合的交集除以两个集合的并集,得到Jaccard系数,通过判断Jaccard系数是否大于某个数,来判断两个集合是否重复。

 

 

 

 

反推Shingle算法,如果Jaccard系数小于某个数,就不重复了,先给每个文档集合拆分成若干个Shingle,再两两计算Jaccard系数,如果小于某个数,生成页面即可。

我之前做的一个项目使用的一个方法,虽然比较笨,也还算实用,分享一下:

 

假设北京电影品类有100个团购单子,现在要为下图右边这些词设计聚合页面,每个页面展示10个单子,假设jaccard系数大于0.3判定为页面重复,怎么生成不重复页面?

如下图展示单子的标题和长标题(假设seo聚合页用的长标题,因为长标题文字不单一,文字量也大):

 

 

 

每个id是唯一的,每个id对应的标题和长标题可以近似于唯一,那就可以简化成允许相同id的单子数来解决重复的问题。

 

 

意思是,每个页面展示10个单子,每两个页面不能有>=3.33个id是一样的,即两两页面id比较,所有的id都不同可以页面,只有1个id相同可以生成页面,只有2个id相同可以生成页面,只有3个id相同可以生成页面,如果有大于等于4个id相同就不生成页面。

顺便介绍一下我自己,我叫陈慧,性别女,第一份工作在3158致富网,工作了快两年,第二份工作在爱帮网,也工作了快两年,从2012年12月开始来到美团,算起来有4.5年的seo经验,说起来惭愧,在这一行比我小好几岁比我强的有太多,修行还得看个人,不看工作年限哈。

以后会把大部分业余时间花在算法、技术、seo交流上,期望有更多好的东西分享给大家。