首先我跟大家讲有名的I—MATCH算法。

　　我们在比较两件事物的相似性时，往往都会拿能均衡的反应这事物本质的东西来比较，就像比赛时，要去除一个最高分和最低分，然后再变算总分一样~~

　　I—MATCH算法基于的依据是，在文挡中，特别高频的词和特别低频的词无法反应这一个文挡的真实内容，所以在比较之前，先将文挡中高频词和低频词去掉(注意：这里的高频和低频指的是文档频率，并非关键词在你网页中的密度!)

　　我们来看一个例子：

　　这里有两段网页文字：

　　1.中国足球队在米卢的率领下首次获得世界杯决赛阶段的比赛资格，新浪体育播报 。

　　2.米卢率领中国足球队员首次杀入世界杯决赛阶段，搜狐体育播报。(嘿嘿，看到这两句很熟吧?)

　　文档(一)中去掉高频：中国，在，的，获得，比赛，资格，新浪，体育，播报

　　去掉低频：米卢

　　则剩下中频词有：足球队，率领，首次，世界杯，决赛，阶段

　　文档(二)中去掉高频：中国，搜狐，体育，播报

　　去掉低频：米卢，杀入

　　则剩下中频词有：率领，足球队，首次，世界杯，决赛 ，阶段

　　看到了吧?剩下的，两者是一模一样 这就是相似性的存在

　　呵呵，其实这个例子很早就有过的。。

　　综上所述：搜索引擎要检测相似性，主要就是要分词和词频的比较!!

　　不知道大家是否都清楚了?呵呵，下次再讲一个经典算法：Shingle算法。

　　就到这里吧。祝大家的“伪原创”越来越好! SEO学习还任重道远啊!一起努力