基于VSM的模糊c均值聚类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，具体涉及基于VSM的模糊c均值聚类算法实现搜索引擎关键词优化。

背景技术：

互联网的迅速发展，带动了互联网信息的膨胀，其商业价值也被人们所发掘。更多的行业将信息投放到网络当中，希望通过搜索引擎广告或其他类型广告被发现，以低成本带来可观的收益。目前，我国搜索引擎行业已经比较成熟，但是完整的企业级搜索引擎策略理论还没有出现，这也是造成目前企业实施搜索引擎优化不太成功的一个重要原因。很多企业只是知道简单的优化，并没有一个完整的策略体系指导其进行如何优化，面对优化，根本不知道该如何进行实施。这也导致了一些企业为了追求眼前暂时的利益而进行作弊、去找一些搜索引擎的漏洞来获取暂时的排名，这极大的扰乱了搜索引擎优化行业的正常发展。

一个商业网站以其核心关键字在主流搜索引擎中获得自然排名优先，在今天的商业社会，有着非比寻常的价值。因此关键字也常被称为是整个搜索应用的基石。目前国内外对关键词优化的理论研究和技术应用比较多，但暂未提出一个有效的方法来简化关键词分析流程，也没有一个完善的机制来管理关键词优化策略和进度。基于上述需求，本发明提供了一种基于VSM的模糊c均值聚类算法实现搜索引擎关键词优化。

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VSM的模糊c均值聚类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：基于VSM的模糊c均值聚类算法，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算法初始化为c类。

步骤4.2:用值[0,1]间的随机数初始化隶属矩阵J，使其满足隶属的整个约束条件；

步骤4.3：初始化每一个领域目标函数构建c类总目标函数，综合隶属约束条件，构建m个方程组，对其进行求解，即可得聚类结果；

步骤4.4：利用下式判定函数Δ(g)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4.2，重新计算隶属矩阵J，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、此算法精确地分配了每个领域在全局占比与局部每个领域的路径总和的权重系数，分类结果更符合经验值。

7、减少了孤立点对聚类结果的影响。

8、结合模糊c均值聚类算法，避免聚类结果过早收敛。

附图说明

图1基于VSM的模糊c均值聚类算法实现搜索引擎关键词优化结构流程图

图2基于VSM的模糊c均值聚类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：基于VSM的模糊c均值聚类算法，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算法初始化为c类。

步骤4.2:用值[0,1]间的随机数初始化隶属矩阵J，使其满足隶属的整个约束条件；其具体计算过程如下：

根据ε领域初始化数据对象集合D划分为C类；

初始化隶属矩阵J为m×C：

w_ij为关键词i属于j类的程度系数，即j∈(1，2，…，C)、i∈(1，2，…，m)。

隶属的整个约束条件为：

步骤4.3：初始化每一个领域目标函数构建c类总目标函数，综合隶属约束条件，构建m个方程组，对其进行求解，即可得聚类结果，其具体计算过程如下：

上式n_εj为j类内ε领域内数据对象的个数，为每一个ε领域内波动系数，α、β分别为数量n_ε、波动系数的影响系数，且α+β＝1，其值可以根据实验迭代出合适的值。

上式

x_ih为属于j类的第i个关键词的空间向量，y_jh为j类簇中心向量，h为向量对应元素的个数。

构建c类总目标函数

综合隶属约束条件，构建m个方程组：

λ_i(i＝1，…，m)是m个约束式的拉格朗日算子，对上述式子进行求导，对所有输入参量求导，即可求得使达到最大的必要条件c_j、w_ij：

上式为关键词i所对应的向量；

步骤4.4：利用下式判定函数Δ(g)的结果，重新计算各簇中心，其具体计算过程如下：

为新的总目标函数，为上一次迭代得出的总目标函数，θ为一个足够小的数，只有满足上述条件，则找到了最佳分类。

步骤4.5：如果簇中心发生变化，则转到步骤4.2，重新计算隶属矩阵J，否则迭代结束，输出聚类结果。

基于VSM的模糊c均值聚类算法具体结构流程如图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VSM的模糊c均值聚类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

输出：c类总目标函数最大的c个簇。