如何用机器学习方法检测「伪原创」文章？

如何用机器学习方法检测「伪原创」文章？，

先离一下题，网易自媒体正如题主所说，「伪原创」是搜索引擎优化（seo）行业的一种方法。

实际上，相异与优化网站的结构，国外自媒体这显然是一条“邪路”。

「伪原创」也不仅仅只有替换同义词这一种方式，也可以是文字或者段落的重排序，修改文章中的数字，或者在此基础上添加新的信息等。爱奇艺自媒体

对于修改文章中的数字并加入信息这种「伪原创」（如将《三种检测「伪原创」文章的方法》改为《五种检测「伪原创」文章的方法》，再在原文后添加相关或是不相关的段落），

仅有该文章原创检测工具显然难以判断。国外自媒体 在搜索引擎层面，各个搜索引擎也有自己的检测「伪原创」算法（例如百度的飓风算法），但必然是用到了已被其添加索引的页面。

回到正题，对于只有同义词替换的「伪原创」检测提出一个想法，SEO优化写出高质量原创文章3大技巧其实题主所描述的情况和病句检测多少是有关联的，近期的一些NLP关于病句检测或是改正的研究（基于CNN，LSTM，注意力机制等）可能会是解决这个问题的一个思路。