Shingle算法对SEO聚合页面的一点启发

　　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都不同可以生成页面，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。

　　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。

　　有问题欢迎私信美团陈慧微博：http://1.t.qq.com/chenhui8com