做站群的人早晚会碰到同一个诱惑：一篇文章写好了，把城市名换掉，能再发十九遍。
我们最早也是这么干的，后来专门写了一套规则拦这件事。这篇讲这套规则是怎么来的，以及它在拦什么。
起因是一批搜索词
站群写什么，最早靠模板凑。后来我们改了做法，去采集真实的搜索词：百度下拉，360 下拉，百度知道，把用户真在搜的话捞回来。
捞回来一比对，发现问题不在词少，在词太像。
同一件事，用户能问出好几种：
一种是一个意思几个说法。比如问哪个公司好，下拉里会同时出现「哪家好」「哪家好点」「哪家好些」，三条其实是一句话。
另一种是词序换了个位置。比如「最新信息」和「信息最新」，两个字颠倒一下，搜索框里是两条，语义上是同一条。
还有一种最要命，叫跨城同款。「淄博某某设备生产厂家」和「济南某某设备生产厂家」，除了地名，一个字都不差。
如果按字面去重，这三类一条都拦不住。三个变体会被当成三个选题，十九个城市会被当成十九个选题。写出来的是什么，不用我多说。
判定改了两次才对
最早那版只做精确去重，等于没做。后来加上相似度，用的是二元组重合度，阈值定在 0.55。这一版能拦住增删字的变体，但拦不住词序置换，因为「最新信息」和「信息最新」的二元组集合几乎一样，交集算下来却偏低。
又加了一个指标，用字符集合算重合度，阈值 0.90。词序置换在这一版被抓住了。
两个指标现在一起用。二元组的管增删字，字符集合的管换顺序，缺一个都会有漏网的。
真正让这套东西变准的，是另外一处改动：比较之前先把城市名剥掉。
不剥的话，跨城同款会被算成两条不同的选题，因为地名不一样。剥掉之后再比，「淄博某某生产厂家」和「济南某某生产厂家」的核心部分一模一样，当场被判成同一条。
这一处改完，我们跑了两条业务线。一条折叠掉 581 条，另一条折叠掉 458 条。
为什么要花这个力气
有人说站群的目的就是铺量，内容像一点没关系，搜索引擎看不出来。
这话有一半是错的。搜索引擎确实不一定能逐篇看出来，但 AI 助手在做答案的时候会做交叉核对。同一个说法在十几个地方一字不差地出现，它不是「到处都是证据」，它是「只有一个来源」。
我们的项目里有一条硬线：不给十九个城市发同一篇文章。不是因为道德洁癖，是因为那样做出来的东西，在 AI 那边的权重是负的。
落地时怎么用
如果你手上也有一个多站点或者多语言的矩阵，可以先做三件事。
把已有的内容两两比一次，比之前把地名和品牌名都剥掉。数字超过 0.55 的那一批，就是你的近似页。
给新采集的选题加一道相同的过滤，别等写出来再删。选题阶段折叠一条，省的是后面写稿和重写的功夫。
如果确实需要多个城市都覆盖同一个话题，那就换角度，不要换地名。同一个话题在每个城市落地的差别在哪，客户结构不一样，还是产业带不一样，还是当地的服务半径不一样，这个差别才是内容。
边界
这套阈值是我们按中文搜索词调出来的，用在中文站群上比较稳。换语言或者换行业，阈值要重调，别照搬。
另外它只管批量产出的部分。一个人认认真真给不同城市写不同的东西，重合度天然就不会高，这套规则不会误伤。
桐灼给客户做站群交付的时候，跨城去重是写进流程里的固定一步。你要是不确定自己站上有没有这类内容，可以先找我们跑一遍体检。