聚合与镜像
一条结果顶三个站:聚合页、目录页与镜像
搜“海角论坛 yandex”得到很多条,可能只是同一批内容被反复收录。这篇区分原页面、聚合页、目录页与镜像四种形态,说明它们在外观与地址上的差别,以及为什么“很多站都在说”不能算独立来源。
标签 · 境外结果
换一家引擎,等于换一套语料结构与判断标准,语种混杂由此而来。这里收的是境外结果的观察:语种误判如何识别、旧页面为何积压、聚合与镜像怎样造成重复,以及摘要在跨语言场景下更容易失真的原因。
聚合与镜像
搜“海角论坛 yandex”得到很多条,可能只是同一批内容被反复收录。这篇区分原页面、聚合页、目录页与镜像四种形态,说明它们在外观与地址上的差别,以及为什么“很多站都在说”不能算独立来源。
语种偏差
在境外引擎搜中文词,常会看到完全无关语种的页面。这篇以“海角论坛 yandex”为例,从语种识别、字符编码与语料分布三处解释原因,说明这类结果为什么不能当作相关内容,以及怎么快速筛掉。
索引延迟
“海角论坛 yandex”的结果里,一个页面昨天还在、今天搜不到,未必是被删除。这篇区分索引延迟、页面改版、主动下线与域名变更四种情形,说明快照与公开存档各自能证明什么,以及为什么搜不到推不出不存在。
摘要失真
搜“海角论坛 yandex”时,结果页顶部常先给一段概括,读者往往只看这段。这篇说明摘要如何生成、可能在哪些地方失真,比较摘要与原始链接的差别,并给出“先看摘要、再回到来源”的核对顺序。