基于领域离散度算法实现搜索引擎关键词优化的制作方法

本发明涉及语义网络技术领域，具体涉及一种基于领域离散度算法实现搜索引擎关键词优化。

背景技术：

搜索引擎已成为广大网民获取信息的一个重要工具。搜索引擎优化(Search Engine Optimization，简称SEO)是指采用相关技术对网站进行一系列优化，从而提高相应关键词在搜索引擎上的排名，最终达到网站营销的目的。SEO归根结底是关键词的优化。关键词优化策略一般包括关键词的选择、关键词的分布及密度控制等等，关键词是用户在搜索相关页面时使用的单词或短语，也是搜索引擎在建立索引表要使用的单词。利用关键词有助于获得较高的搜索引擎查询排名，要注意关键词研究旨在找出最有价值的关键词。这些是搜索引擎优化的基本概念，有助于提高搜索引擎排名。在研究网络搜索关键词搜索量数据与相关问题的关系时，选择哪些关键词是首先要解决的关键问题，阅读文献，笔者发现，对于关键词的选取大多凭借经验和主观因素，也没有一个完善的机制来管理关键词优化策略和进度。为使关键词的选取更具科学性和客观性，基于上述需求，本发明提供了基于领域离散度算法实现搜索引擎关键词优。

技术实现要素：

针对于关键词优化实现搜索引擎优化的技术问题，本发明提供了一种基于领域离散度算法实现搜索引擎关键词优化。

为了解决上述问题，本发明是通过以下技术方案实现的：

步骤1：根据企业业务确定核心关键词，利用搜索引擎搜集相关关键字，这些关键字在搜索引擎中有相应数据项，如本国每月搜索量、竞争程度和估算每次点击费用(CPC)等

步骤2：结合企业产品和市场分析，筛选降维上述搜索到的相关关键字集合；

步骤3：针对筛选降维后的关键词集合，通过搜索引擎搜索关键词对应的页面，这里记录首页网页数和总搜索页面数，即每个关键词由五维向量再降维为四维的。

步骤4：利用基于领域离散度算法，对上述关键词进行聚类处理，其具体子步骤如下：

步骤4.1：利用基于ε领域的k-means算法初始化簇。

步骤4.2：初始化每一个领域离散度函数L(S²)^start，从数据对象集合D中按下述判定条件选择k个初始簇中心。

步骤4.3：对每类关键词i(i∈(1，2，…，m))进行重新分配，按概率函数p(i)选择聚类中心j；

步骤4.4：根据判定函数Δ(S²)的结果，重新计算各簇中心；

步骤4.5：如果簇中心发生变化，则转到步骤(2)，否则迭代结束，输出聚类结果。

步骤5：根据企业具体情况，综合关键词效能优化和价值率优化，选择合适的关键词优化策略达到网站优化目标。

本发明有益效果是：

1，此算法可以精简关键词分析流程，进而减少整个网站优化工作量。

2，此算法的运行时间复杂度低，处理速度更快。

3、此算法具有更大的利用价值。

4、能帮助网站在短时间内快速提升其关键词的排名。

5、为企业网站带来一定的流量和询盘，从而达到理想的网站优化目标。

6、此算法分类结果的准确度更符合经验值；

7、此算法更简便有效。

附图说明

图1基于领域离散度算法实现搜索引擎关键词优化结构流程图

图2基于领域离散度算法在聚类分析中的应用流程图

具体实施方式

为了解决关键词优化实现搜索引擎优化的技术问题，结合图1-图2对本发明进行了详细说明，其具体实施步骤如下：

步骤1：根据企业业务确定核心关键词，利用搜索引擎搜集相关关键字，这些关键字在搜索引擎中有相应数据项，如本国每月搜索量、竞争程度和估算每次点击费用(CPC)等。

步骤2：结合企业产品和市场分析，筛选降维上述搜索到的相关关键字集合；

步骤3：针对筛选降维后的关键词集合，通过搜索引擎搜索关键词对应的页面，这里记录首页网页数和总搜索页面数，即每个关键词由五维向量再降维为四维的，其具体计算过程如下：

这里相关关键词个数为m，既有下列m×5矩阵：

N_i、Ld_i、CPC_i、N_is、N_iY依次为第i个关键词对应的本国每月搜索量、竞争程度、估算每次点击费用(CPC)、首页网页数、总搜索页面数。

再降维为四维，即

X_{i∈(1，2，…，m)}为搜索效能，Z_{i∈(1，2，…，m)}为价值率，即为下式：

步骤4：利用基于领域离散度算法，对上述关键词进行聚类处理，其具体子步骤如下：

步骤4.1：利用基于ε领域的k-means算法初始化簇。

步骤4.2：初始化每一个领域离散度函数L(S²)^start，从数据对象集合D中按下述判定条件选择k个初始簇中心，其具体计算过程如下：

上式N_ε为ε领域内数据对象的个数，x_ih为ε领域内数据对象所对应的向量，y_ih为ε领域内对应的簇中心数据对象向量。

利用判定条件，如下：

L(S²)^start＞ω

ω为设定好的阈值，只有满足这个阈值，初始化的k个簇准确度更高。

步骤4.3：对每类关键词i(i∈(1，2，…，m))进行重新分配，按概率函数p(i)选择聚类中心j，其具体计算过程如下：

y_jh为第j类簇中心数据对象向量，α为平滑系数，使概率函数p(i)值越大，就选择对应的簇中心j，即有下式：

令则

步骤4.4：根据判定函数Δ(S²)的结果，重新计算各簇中心，其具体计算过程如下：

判定函数Δ(S²)：

Δ(S²)＝L(S²)^new-L(S²)^old＞0

上式L(S²)^new为新的领域离散度函数，L(S²)^old为上一次迭代得出的领域离散度函数。只有满足上式判定条件，即簇中心发生变化。

步骤4.5：如果簇中心发生变化，则转到步骤(2)，否则迭代结束，输出聚类结果。

基于领域离散度算法的具体结构流程如图2。

步骤5：根据企业具体情况，综合关键词效能优化和价值率优化，选择合适的关键词优化策略达到网站优化目标。

基于领域离散度算法实现搜索引擎关键词优化，其伪代码过程

输入：网站提取的核心关键词，基于ε领域初始化簇，初始化领域离散度函数L(S²)^start

输出：一系列优化后的高质量关键词。