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:
Ni、Ldi、CPCi、Nis、NiY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
Xi∈(1,2,…,m)为搜索效能,Zi∈(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Nε为ε领域内数据对象的个数,xih为ε领域内数据对象所对应的向量,yih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:
yjh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。