转载自: http://hi.baidu.com/esky9/blog/item/7c76159051b03783a877a45e.html

原创是网站优化的一大法宝，下面将讲解如何在PHP环境下，开发一个基于PHP的伪原创的写作软件程序。本文将认为读者易经具有PHP的知识，所以不再给出PHP教程。

教程环境：

1、PHP

2、MYSQL 织梦好，好织梦

3、SCWS分词系统 dedecms.com

类似PHP脚本，类似MYSQL数据库，类似分词系统亦可，在此只提供思路。

第一步：配置好你的环境! 织梦内容管理系统

在此需要做的是下载SCWS分析系统，按照官方的教程安装此系统，并且测试通过。其他的后台脚本，数据库就不多说了。SCWS是设计给C语言使用的，也为PHP做了扩展库，你也可以使用C语言制作你的伪原创程序。 本文来自织梦

第二步：获取文章，肢解文章 织梦好，好织梦

所谓肢解文章，就是将文章分句，分句需要自己写程序进行，我提供一个思路：以句号、感叹号、问号为分句标识，以上引号，左括号，左书名号等位起始符，以右引号、右括号、右书名号为结束符。遍历文章，当遇到起始符则进入不可分句状态，遇到结束符则退出此状态，当遇到分句标识时，仅当当前为可分句状态是，将读取到的内容分为一句，以此循环，将文章肢解问一个一个的句子。在此做分句状态的目的，是为了保护位于括号、引号、书名号等一段内容内的分句标识，例如【他说：“我爱你。”】这里的【我爱你。】不会被误分解。

第三步：分词 织梦好，好织梦

将分解的句子进一步肢解，得到分词。例如【苹果与西红柿一个是水果一个是蔬菜】这个句子可以分为【苹果】【与】【西红柿】【一个】【是】【水果】【一个】【是】【蔬菜】，在这个步骤中，需要SCWS的帮助，正常安装此分词系统后，分词操作只需要一个函数。就这个简单!另外，除了分解出词语之外，还要获得词语的性质，例如名词、动词等。

第四步：关键词同义替换

在此需要一个知识库的支持，下载《哈工大信息检索实验室同义词词林》扩展版，里面是非常全的同义词大全，每个词有多个编码，代表该词多义，一个编码下有多个词，表示这些词是同义词，将他们读取并保存到数据库中备用。 本文来自织梦

根据相关领域，设置你的关键词，例如你是做房产类网站，那么你的关键词可能是租房，出租，二手房，买房子，房屋合同，要找出很多的该领域的关键词，然后根据同义词词林对它们进行替换。为什么只替换关键词呢?因为一个非关键词部分替换了，可能会引起奇异，而且不是该领域的词，权重没有领域关键词权重高，损失语句通顺度来做伪原创，得不偿失。

第五步：标点乱舞

文章相似度的计算是根据句子相似度计算的，句子的相似度又是根据词相似度计算出来的，所以即使更换了关键词为同义词，所得到的文章与原文还是会被判定为相似文章，怎么办呢?首先我们看看如何进行文章相似度计算。

前面说的同义词词林的编码，其实这里面大有学问，不是随便乱编的码，同义词词林的拓展版将一个词的词义，用一个编码标识，编码可分为5部分，分别是大类、中类、小类、词群、原子词群，例如学生和老师，这两个词，肯定是属于一个大类的，因为他们都是人，而西红柿和番茄，肯定是一个词群的，因为他们指的就是一个东西。那么相似度的计算就简单了，按照100为完全相同来计算，若大类相同，则为10，若中类再相同，则为20，若小类再相同，则为50，若词群再相同则为90，若原子词群再相同，则为100。这里为什么要用“再”字，因为只要其中有一个不同，则无需再对比下去，例如大类都不同的两个词，中类，小类肯定不同了。

在此对比两个文章中的一个句子出现的词的相似度，计算每个句子的相似度，进而计算文章相似度，这里涉及一个算法，类似google的PR算法，以贡献度来叠加计算相似度。

说了这么多，我们该如何做，我们要打乱标点符号，干扰搜索引擎的分句处理。 内容来自dedecms

人看文章时，特别是新闻或者资讯，一般不在意标点符号，甚至有些人只是一眼而过粗略的看，即使断句混乱，文章大意不会有任何问题，所以我们要随意的将文章中的句号和逗号随意的替换，这样影响搜索引擎对文章进行分句，从而影响其相似度计算。

第六步：建立摘要置于段首

文章越靠前的内容越重要，这点毋庸置疑，所以我们需要对文章进行摘要，置于文章顶部，摘要的制作要有一定的压缩率，如1000字的文章，做100字的摘要即可，这里不按字数来统计，按句子数来统计比较方便，因为我们已经对文章进行了分句处理。500句规模的文章，做20句摘要左右。摘要的核心在于选取摘要句子，因为摘要本身是让人了解个大概意思，所以又那么一点点语义不通是可以承受的。

前面说过了关键词，提取摘要也需要关键词，我们以权重的方式提取摘要句，包含关键词的句子，权重高，包含的数量越多，权重越高，以此计算出每个句子的权重。然后根据原文的顺序，按权重高低顺序将他们提取出来，直到提取够你所需要的句数为止。将他们拼接，成为文章的文摘。 dedecms.com

在此还可以做的更好一些，在网上找句子相似度计算算法，计算句子相似度，将相似句剔除，防止语义重复。因为包含很多关键词的句子很有可能意思是重复的。

第七步：标题的自定义 织梦内容管理系统

伪原创很重要的一点就是改标题，标题一定要改，根据相似度计算的算法，我们改标题一定要改得焕然一新，例如【高考10招】改成【高考十招】，这种改法，你简直是把百度当***了。那要怎么改呢?编瞎话你会不?【专家十点建议，助你备战高考】【做到这十项，高考得满分】【清华离你只有十步!】改成这些标题意思没变，但是很吸引人去点击，并且不会被搜索引擎发现是雷同文章。不错把? 织梦好，好织梦

第八步：打乱权重较低的句子的顺序

权重低的句子也能派上用场，虽然我们认为这些句子不是很重要，但是搜索引擎可不知道，我们把他们的顺序稍微打乱，并不影响语义，反而起到了伪原创的效果，很好。

对于目前的伪原创软件，无章法的打乱句子顺序，是不可取的。例如一篇文章介绍了10个软件，已经标记好了1、2、3、4的顺序，经过伪原创之后，顺序乱了，读者读起来就匪夷所思了。而本文介绍了句子打乱，是从局部范围内打乱，而且都是非关键句。