信息量巨大的網絡現狀，讓我們從信息匱乏變到信息多到無所適從，一天之中有這么多的信息不斷出現，不斷重復的刷著我們的各種屏幕，這些信息究竟有沒有價值，值不值得我們去看。作為編輯，更是希望看到有價值的原創(chuàng)，百度也一樣，百度是怎樣判斷原創(chuàng)文章的呢？
一、搜索引擎為什么要重視原創(chuàng)
1.1采集泛濫化
來自百度的一項調查顯示，超過80%的新聞和資訊等都在被人工轉載或機器采集，從傳統(tǒng)媒體的報紙到娛樂網站花邊消息、從游戲攻略到產品評測，甚至高校圖書館發(fā)的催還通知都有站點在做機器采集?？梢哉f，優(yōu)質原創(chuàng)內容是被包圍在采集的汪洋大海中之一粟，搜索引擎在海中淘粟，是既艱難又具有挑戰(zhàn)性的事情。
1.2提高搜索用戶體驗
數字化降低了傳播成本，工具化降低了采集成本，機器采集行為混淆內容來源降低內容質量。采集過程中，出于無意或有意，導致采集網頁內容殘缺不全，格式錯亂或附加垃圾等問題層出不窮，這已經嚴重影響了搜索結果的質量和用戶體驗。搜索引擎重視原創(chuàng)的根本原因是為了提高用戶體驗，這里講的原創(chuàng)為優(yōu)質原創(chuàng)內容。
1.3鼓勵原創(chuàng)作者和文章
轉載和采集，分流了優(yōu)質原創(chuàng)站點的流量，不再具屬原創(chuàng)作者的名稱，會直接影響到優(yōu)質原創(chuàng)站長和作者的收益。長期看會影響原創(chuàng)者的積極性，不利于創(chuàng)新，不利于新的優(yōu)質內容產生。鼓勵優(yōu)質原創(chuàng)，鼓勵創(chuàng)新，給予原創(chuàng)站點和作者合理的流量，從而促進互聯網內容的繁榮，理應是搜索引擎的一個重要任務。
二、采集很狡詐，識別原創(chuàng)很艱難
2.1采集冒充原創(chuàng)，篡改關鍵信息
當前，大量的網站批量采集原創(chuàng)內容后，用人工或機器的方法，篡改作者、發(fā)布時間和來源等關鍵信息，冒充原創(chuàng)。此類冒充原創(chuàng)是需要搜索引擎識別出來予以適當調整的。
2.2內容生成器，制造偽原創(chuàng)
利用自動文章生成器等工具，“獨創(chuàng)”一篇文章，然后安一個吸引眼球的title，現在的成本也低得很，而且一定具有獨創(chuàng)性。然而，原創(chuàng)是要具有社會共識價值的，而不是胡亂制造一篇根本不通的垃圾就能算做有價值的優(yōu)質原創(chuàng)內容。內容雖然獨特，但是不具社會共識價值，此類偽原創(chuàng)是搜索引擎需要重點識別出來并予以打擊的。
2.3網頁差異化，結構化信息提取困難
不同的站點結構化差異比較大，html標簽的含義和分布也不同，因此提取關鍵信息如標題、作者和時間的難易程度差別也比較大。做到既提得全，又提得準，還要最及時，在當前的中文互聯網規(guī)模下實屬不易，這部分將需要搜索引擎與站長配合好才會更順暢的運行，站長們如果用更清晰的結構告知搜索引擎網頁的布局，將使搜索引擎高效地提取原創(chuàng)相關的信息。
三、百度識別原創(chuàng)之路如何走?
3.1成立原創(chuàng)項目組，打持久戰(zhàn)
面對挑戰(zhàn)，為了提高搜索引擎用戶體驗、為了使優(yōu)質原創(chuàng)者原創(chuàng)網站得到應有的收益、為了推動中文互聯網的前進，我們抽調大量人員組成原創(chuàng)項目組：技術、產品、運營、法務等等，這不是臨時組織不是1個月2個月的項目，我們做好了打持久戰(zhàn)的準備。
3.2原創(chuàng)識別“起源”算法
互聯網動輒上百億、上千億的網頁，從中挖掘原創(chuàng)內容，可以說是大海撈針，千頭萬緒。我們的原創(chuàng)識別系統(tǒng)，在百度大數據的云計算平臺上開展，能夠快速實現對全部中文互聯網網頁的重復聚合和鏈接指向關系分析。
首先，通過內容相似程度來聚合采集和原創(chuàng)，將相似網頁聚合在一起作為原創(chuàng)識別的候選集合;
其次，對原創(chuàng)候選集合，通過作者、發(fā)布時間、鏈接指向、用戶評論、作者和站點的歷史原創(chuàng)情況、轉發(fā)軌跡等上百種因素來識別判斷出原創(chuàng)網頁;
最后，通過價值分析系統(tǒng)判斷該原創(chuàng)內容的價值高低進而適當的指導最終排序。
目前，通過我們的實驗以及真實線上數據，“起源”算法已經取得了一定的進展，在新聞、資訊等領域解決了絕大部分問題。當然，其他領域還有更多的原創(chuàng)問題等待“起源”去解決，我們堅定的走著。
3.3原創(chuàng)星火計劃
我們一直致力于原創(chuàng)內容的識別和排序算法調整，但在當前互聯網環(huán)境下，快速識別原創(chuàng)解決原創(chuàng)問題確實面臨著很大的挑戰(zhàn)，計算數據規(guī)模龐大，面對的采集方式層出不窮，不同站點的建站方式和模版差異巨大，內容提取復雜等等問題。這些因素都會影響原創(chuàng)算法識別，甚至導致判斷出錯。這時候就需要百度和站長共同努力來維護互聯網的生態(tài)環(huán)境，站長推薦原創(chuàng)內容，搜索引擎通過一定的判斷后優(yōu)待原創(chuàng)內容，共同推進生態(tài)的改善，鼓勵原創(chuàng)，這就是“原創(chuàng)星火計劃”，旨在快速解決當前面臨的嚴重問題。另外，站長對原創(chuàng)內容的推薦，將應用于“起源”算法，進而幫助百度發(fā)現算法的不足，不斷改進，用更加智能的識別算法自動識別原創(chuàng)內容。
目前，原創(chuàng)星火計劃也取得了初步的效果，一期對部分重點原創(chuàng)新聞站點的原創(chuàng)內容在百度搜索結果中給予了原創(chuàng)標記、作者展示等等，并且在排序及流量上也取得了合理的提升。
最后，原創(chuàng)是生態(tài)問題，需要長期的改善，我們將持續(xù)投入，與站長攜手推動互聯網生態(tài)的進步;原創(chuàng)是環(huán)境問題，需要大家來共同維護，站長們多做原創(chuàng)，多推薦原創(chuàng)，百度將持續(xù)努力改進排序算法，鼓勵原創(chuàng)內容，為原創(chuàng)作者、原創(chuàng)站點提供合理的排序和流量。
