说起来很有意思，我想写的这篇文章是关于百度如何判定原创文章的，利用的是信息指纹技术。但是到百度上搜索一下相关的文章，却发现都是关于百度如何检查伪原创内容的信息，真是很有一些调侃的意味。
当然，关于这一点我也想多说几句。现在的站长朋友大多数关注的是伪原创，因为这样的文章创作时间短，成本低，并且可以批量生产，还能欺骗百度，被认成原创文章，增加收录量和权重。而原创文章却是一种稀缺资源，特别是对站长来说，如果真的指望原创文章来创收，那98%的人都会被饿死。其实，百度识别原创文章和伪原创，只是一件事情的两个方面，那就是信息指纹技术。
对于互联网上数以亿计的网页来说，让一台机器去识别他是否原创，总比让人去识别更现实。就像人一样，每个人的指纹都是独一无二的，如果你发现了2个一样的指纹，那只能说明一个问题：这是同一个人的指纹。识别原创文章的信息指纹技术，也运用了同一个原理：首先运用计算技术提取文章的“指纹”，然后去数据库中对比，如果是唯一的，就是原创，否则就不是原创。
那么，既然互联网上的页面这么多，百度是怎么提取信息指纹的？这里面我也只能将一个大概，让你明白一下它的原理是什么。统计信息表明：对一个文本信息提取指纹，当选取8个关键词及其词频作为其指纹时，准确度在98%以上，查全率在30%左右。这说明要能“概括”该信息，找出其8个使用频率最高的词汇，基本可以代表这个信息。
因此文字信息提取指纹的要素一般为下面信息：
n 标题
n 作者
n 发布时期、修改日期
n 主要关键词
其中关键词的选取可以有几种方法：
★ 作者提供的关键词
★ 作者提供的摘要，或整理人员编写的摘要
★ 提取信息中出现频率高的8个关键词
★ 文章开头或结尾一段话
★ 文章中固定位置的一段话(如第5行的第一句话)
通过这种方法提取的信息指纹，基本上就能够代表这篇文章的特征，称为信息指纹。根据这个结果，我们很容易想明白，如果是那些互联网上高度采集的文章，那么他的信息指纹肯定与网上其他位置的很多信息是相通的，也就是说，他不是原创文章，是复制的。而百度觉不喜欢采集和复制的文章，他喜欢原创。
说到这里，我想说说用户喜欢什么。作为站长也好，或者企业的电子商务专员也罢，他们关心的应该都是会有多少用户访问自己的网站，又有多少用户成为了潜在客户，潜在客户又有多少转化成了客户。这里有一个关键，就是用户体验。拥有良好用户体验的网站，自然会吸引更多的用户来访，而且还会吸引更多的回头客。用好良好用户体验的一个前提，就是网站拥有丰富的原创内容，有价值的内容。
所以，百度采用的信息指纹技术，是用来识别原创文章的，也是为了增强用户体验的。作为网站管理员，我们应该更多的生产原创文章，有价值的原创文章。