这是一个创建于 1349 天前的主题，其中的信息可能已经有所发展或是发生改变。
现在的互联网，特别是中文互联网，复制粘贴情况太严重了，搜索一个什么东西，前几页的内容高度重复出自同一个博客，被发到各个平台，能不能把相似度很高的内容重叠起来，提高搜索效率。
或者是有什么插件能实现这个功能吗？
 |
1
uselessVisitor 2021-04-20 10:05:48 +08:00  1
|
 |
2
Yourshell 2021-04-20 10:30:06 +08:00 via Android
这是搜索引擎的本职工作吧
|
 |
3
acr0ss 2021-04-20 10:42:39 +08:00
|
 |
4
ebingtel 2021-04-20 13:59:29 +08:00
谷歌的搜索内容 基本上没啥重复的了吧 百度的倒是很多重复……simhash 算法？
|
 |
5
wjgmytwq 2021-04-20 14:19:43 +08:00
网页去重不是那么好做的，一个网页，不是只包含核心内容那块文字的，google 做的是整体去重，就是整体很相似的。
而且我并不建议去重，为什么呢，因为就算核心内容一样，周边信息也有不一样的地方。 举个例子来说，我之前搜一个问题，搜到了微软的官方网站，就挂了一个标准答案，但是问题没解决。后来我找到一个答案很类似的技术网站，从下面的评论里找到了解决问题的办法。 |
 |
6
czfy 2021-04-20 23:15:47 +08:00 via Android
内容去重的前提是内容识别
你说标题一模一样，那是最容易的 难就难在同一篇文章被洗稿成 n 篇，意思都是那些，但标题不同，正文可能还改了点，这种机器学习识别率 /分类效率还是不高 |
Select Language