Shingle網(wǎng)頁去重算法對SEO聚合頁的影響

Shingle算法是搜索引擎去掉相同或相似頁面的其中一種基本算法，做SEO聚合頁面的時候如何讓頁面之間不重復？如何處理重復度的問題？可以反推Shingle算法得到一些啟發(fā)。
Shingle在英文中表示相互覆蓋的瓦片。先通過一個例子來說明Shingle算法：
假設(shè)有A、B兩個文檔的標題，A文檔的標題是：明起電話訂火車票可全國通取取票時間延12小時；B文檔的標題是：火車票電話訂票實現(xiàn)全國通取網(wǎng)上預(yù)售期延長。
搜索引擎如何知道這兩篇文檔標題是否是重復的？比如我們可以以2個漢字切為一個Shingle的方法：

對于長度L的文檔，每隔N個漢字切一個Shingle，這樣一共切到L-N+1個shingle，A文檔標題切成了L-N+1=21-2+1=20個Shingle，B文檔標題切成了L-N+1=20-2+1=19個Shingle。
A、B兩個文檔標題共同的Shingle有圖上7個加粗的：電話、話訂、火車、車票、全國、國通、通取。
A、 B兩個文檔標題一共有20+19-7=32個Shingle。
然而，A、B兩個文檔標題共同的Shingle，除以，A、B兩個文檔標題一共有的Shingle，就是這兩個文檔標題的Jaccard系數(shù)，可以用來判斷A、B兩個文檔標題的相似度。
A、 B兩個文檔標題的Jaccard系數(shù)=7/(20+19-7)=0.21875
從兩個文檔的標題，可以延伸到兩個頁面文檔，再延伸到N個頁面，通過Jaccard系數(shù)是否達到相似所需要的標準來判斷頁面與頁面是否相似。
這就是Shingle算法，兩個集合的交集除以兩個集合的并集，得到Jaccard系數(shù)，通過判斷Jaccard系數(shù)是否大于某個數(shù)，來判斷兩個集合是否重復。

反推Shingle算法，如果Jaccard系數(shù)小于某個數(shù)，就不重復了，先給每個文檔集合拆分成若干個Shingle，再兩兩計算Jaccard系數(shù)，如果小于某個數(shù)，生成頁面即可。
我之前做的一個項目使用的一個方法，雖然比較笨，也還算實用，分享一下：
假設(shè)北京電影品類有100個團購單子，現(xiàn)在要為下圖右邊這些詞設(shè)計聚合頁面，每個頁面展示10個單子，假設(shè)jaccard系數(shù)大于0.3判定為頁面重復，怎么生成不重復頁面？
如下圖展示單子的標題和長標題（假設(shè)seo聚合頁用的長標題，因為長標題文字不單一，文字量也大）：

每個id是唯一的，每個id對應(yīng)的標題和長標題可以近似于唯一，那就可以簡化成允許相同id的單子數(shù)來解決重復的問題。

意思是，每個頁面展示10個單子，每兩個頁面不能有=3.33個id是一樣的，即兩兩頁面id比較，所有的id都不同可以頁面，只有1個id相同可以生成頁面，只有2個id相同可以生成頁面，只有3個id相同可以生成頁面，如果有大于等于4個id相同就不生成頁面。