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

技术特征：

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，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，其特征是，包括如下步骤：

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，其具体计算过程如下：

这里相关关键词个数为m,既有下列矩阵：

、、、、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

为搜索效能，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。

2.根据权利要求1中所述的基于VSM的模糊c均值聚类算法实现搜索引擎关键词优化，其特征是，以上所述步骤4中的具体计算过程如下：

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：

为关键词i属于j类的程度系数，即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：

上式为j类内领域内数据对象的个数，为每一个领域内波动系数，、分别为数量、波动系数的影响系数，且，其值可以根据实验迭代出合适的值

上式

为属于j类的第i个关键词的空间向量，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：

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、：

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，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。