Téma: Túloptimalizálás algoritmus

Továbbra is olvasgattam a fent említett tudományos munkát, és rájöttem, hogy a websam-detektálásnak óriási szakirodalma van. Néhány szerző neve a témában: Gori, Witten, Henzinger, és van egy magyar is valamilyen Gyöngyi, de sajnos angolul ír, majd rákeresek, hátha megvan magyarul is ennek a Gyöngyinek a munkája. Szóval annyi a tanulság egyelőre, hogy amit most a Google megcsinált a pingvinnel, azon már évek óta filozofálnak különböző szerzők. Általában abból a feltételezésből indulnak ki, hogy egy szemét weblapra csak egy másik szemét weblap linkelhet, a megbízható weblapok nem linkelnek rájuk. A megbízható weblapokat pedig általában manuálisan választják ki a programozók.

U.I.
Rákerestem: Gyöngyi Zoltánról van szó, a Google-nál dolgozik, és van néhány publikációja webspam témában, de magyarul nem találtam.

U.I. 2
Na ez nagyon jó: Csalogány Károly: Tézisek. Magyarul van, a webspam detektálásáról szól, és szó van benne anchor textről is. Ez már nagyon közel áll a témához.
hxxp://www.tnkcs.inf.elte.hu/vedes/Csalogany_Karoly_Tezisek_hu.pdf

1. Magas PR érték önmagában nem baj.
Hát persze, hogy nem, de ebből indulnak ki, a PageRank értéket összehasonlítják a Truncated PageRank értékkel és a TrustRank értékkel, és még rengeteg más értékkel, többek között a helyezéseket is figyelik, és a szövegkörnyezetet is tanulmányozzák, olyan szavakat keresnek, amelyek jellemzőek a kereskedelmi célú weblapokra, ezeknek a szavaknak a puszta használata nem baj, sőt semmi sem baj, csak az összhatás.

Globálisan kell felfogni az egészet. Ha a PR értéket összehasonlítják a Trustrank értékkel, és úgy gondolják, hogy a PAgeRank aránytalanul magas a Trustrank értékhez képest, akkor azt gyanúsnak találják, és ha a Truncated PageRank értékhez képest is magas a PageRank érték, akkor még ennél is gyanúsabbnak is találják, és ha ehhez még hozzájárul az is, hogy nagy mértékben használsz kereskedelmi célú oldalakra jellemző szavakat, akkor már nagyon gyanús vagy. Nem mindegyikért külön-külön, hanem az egészért együttvéve. Ha túl sok a gyanús elem.

Én arra céloztam, hogy ha eleve alacsony a PageRank értéked, akkor nem lesz túl magas a Truncated PageRank értékkel szemben, sem a TrustRank értékkel szemben, sőt az alacsony PageRank értékkel rendelkező oldalakat, lehet, hogy a spamszűrő nem is figyeli, de mindenképpen egy jó pont, hogy alacsony a PageRank értéked, de ha sok más hibával úgy elrontod az összképet, hogy az már sok az algoritmusnak, akkor alacsony PageRank értékkel is hátrasorolhat, az biztos.

2. Ártani lehet a konkurenciának.
Egyáltalán nem biztos, mert amit te "büntetésnek" nevezel, az egyszerűen csak hátrasorolás. Az eddig figyelembe vett linkeket mostantól kezdve nem veszi figyelembe, ezért sorol hátra. Ha linkeled a konkurenciát, azt se fogja figyelembe venni.
Egy weblapot nem egyetlen tulajdonsága alapján ítélnek meg, hanem az összkép alapján. A konkurencia PageRank értékét nem biztos, hogy tudod növelni, mert ha a konkurencia engedélyez kimenő linkieket, akkor tudja csökkenteni a PageRank értékét.

Érdekes kis idézet a doksiból, 3. oldal alja és 4. oldal:

"Egy spam oldal általában nem izoláltan jelenik meg. A spammerek nagy számú, többé-kevésbé hasonló Weboldalakból álló farmokat generálnak, amelyeknek a célja, hogy félrevezessék a keresőrendszerek rangsoroló algoritmusait. A mesterségesen létrehozott jelleg és spam oldalak közti erős kapcsolat lehetőséget teremt arra, hogy felismerjük"

"A Jeh és Widom által javasolt a SimRank algolritmus elve az, hogy két oldal akkor hasonló, ha hasonló oldalak hivatkoznak rájuk."
Korábban írtam valahol, hogy a mostani büntetések mögött állhat az is, hogy a magyar élmezőnyben lévő oldalak jelentős részét ugyanaz a 300-500 katalógus linkeli (pedig ez a doksi 3 éves).