Как взялся бы я — строил бы абстракции над текстами, потом распарсил бы рунет, отранжировал тексты аналогом пейдж-ранка и на этой выборке обучил бы. ABBYY говорят, что первую задачу они уже решили. Я бы тоже хотел бы порешать её.
Но вообще это задача на миллиард.

задача: есть форма, где два поля. большое текстовое и маленькое.

в большое я копирую какойнить текст из инета, а в маленькое пишу от 1 до 5. Т.е. если 1 то это текст который имеет мало смысла, а 5 это значит текст очень интересный и без воды. вот так накидать ему текстов пару сотен, а потом чтоб он сам определял.

Цель: отличать seo тексты написанные дешёвыми копирайтерами от нормальных статей