流量掉了 30%，百度这轮算法更新直接把我那套老脚本干废了。以前靠同义词库+随机插入关键词那套把戏，现在看后台蜘蛛抓取频次就知道，被判定成垃圾内容了。妈的，上个月还靠这套东西撑起了 40% 的被动咨询，这个月直接腰斩。
我蹲在电脑前把爬下来的搜索结果前 20 页全扒了一遍，用正则和 XPath 拆 DOM 树，发现排名靠前的页面，关键词密度和分布规律跟我那种粗暴替换完全不是一个路数。它们更像是在“说人话”，而我那个脚本生成的东西，读起来就像个结巴的机器人。问题出在我的同义词库太浅，而且替换逻辑是随机的，根本不管上下文语境。“产品设计”在某些句子里被替换成“商品策划”，狗屁不通。
死磕了三天 NLTK 和 jieba。一开始想用词性标注加依存句法分析来搞，理论上能识别出句子里的名词短语，然后只在同词性的范围内做替换。但实际跑起来发现中文的依存分析准确率就是个玄学，尤其是遇到长句和行业术语，分分钟给你解析出鬼都看不懂的树结构。更头疼的是处理专有名词，比如“Axure 原型”，你不可能把它拆开，但我的旧脚本真就可能把“原型”单独替换成“雏形”，生成“Axure 雏形”这种业内根本没人用的词。
后来转向用 Word2Vec 训练自己的词向量。从知乎、产品经理社区爬了十几 G 的文本，用 gensim 跑，想找语义相近的替换词。效果比同义词库好点，但遇到新词或者训练语料里没出现过的搭配，还是抓瞎。而且计算开销太大，我那个破服务器跑一次批量替换要等半小时，根本没法用于实时生成。那几天睡眠完全是碎的，脑子里全是词向量、余弦相似度、停用词表，做梦都在调参。
最后搞出来一个四不像的混合方案。先用规则引擎保护住核心术语和品牌词，这块硬编码，绝对不动。然后用一个轻量级的本地词向量模型（降维到 100 维）做第一轮近义词推荐，再用一套手写的上下文校验规则过滤，比如前面是“撰写”，后面跟着的“文档”就不能被替换成“文件”。为了保证生成速度，放弃了句法分析，纯用滑动窗口看搭配频率。代码量从原来三百多行的暴力替换，膨胀到一千五百多行，引入了三个新的依赖库。
但效果立竿见影。新生成的页面可读性强多了，虽然细看还是能发现一些生硬的地方，但至少不像垃圾站了。蜘蛛抓取频率在一周后慢慢回升。这个月最大的收获不是流量恢复，而是被迫把 NLP 的坑踩了一遍，虽然只是皮毛，但那种对黑盒算法的恐惧感少了一点。你知道它大概是怎么判断你“不是人”的，你就有办法去伪装得更像一点。
体重掉是因为根本没时间吃饭。经常下午三点才想起来没吃午饭，泡面解决。或者晚上调试到凌晨，饿过劲了。这种生活节奏，掉肌肉是肯定的，脂肪估计没少。代码干净了，人快散架了。得改。
