CN106649616A - 一种聚类算法实现搜索引擎关键词优化 - Google Patents

Abstract

一种聚类算法实现搜索引擎关键词优化，根据企业业务确定核心关键词，搜索关键词对应的数据项，如本国每月搜索量、竞争程度和估算每次点击费用等，对上述关键词集合进行再降维处理，每个关键词用一五维向量表示，即增加首页网页数和总搜索页面数，进而由五维再降为四维，最后采用一种聚类算法对关键词聚类，每个领域密度与相似度函数确定，全局相似度函数为，根据值确定簇中心的变化，本发明算法更简便有效，运行时间复杂度低，处理速度更快，分类结果更符合经验值，具有更好的数据处理效果，能帮助网站在短时间内快速提升其关键词的排名，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。

Description

一种聚类算法实现搜索引擎关键词优化

技术领域

本发明涉及语义网络技术领域，具体涉及一种聚类算法实现搜索引擎关键词优化。

背景技术

由于用户在互联网检索信息时，通常的手段是使用搜索引擎进行搜索。因此，在网络推广领域，SEO(Search Engine Optimization，搜索引擎优化)就具有了举足轻重的作用，搜索引擎优化技术包括黑帽技术和白帽技术，目前各搜索引擎已经引入相关技术和规则对使用黑帽技术的网站进行惩罚；白帽技术则表示被搜索引擎认可的优化技术。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。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，关键词的使用是否得当，直接关系到网站在搜索引擎的搜索结果中的位置，现今，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，本发明提供了一种聚类算法实现搜索引擎关键词优化。

发明内容

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4：一种聚类算法，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算法初始化簇；

步骤4.2：初始化每一个ε领域的相似度函数从数据对象集合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，按相似度函数f(i)选择聚类中心j′；

步骤4.4：根据判定函数Δ(S)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，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。

8、数据处理的效果更好。

附图说明

图1一种聚类算法实现搜索引擎关键词优化结构流程图

图2一种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：利用一种聚类算法，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算法初始化簇。

步骤4.2：初始化每一个ε领域的相似度函数从数据对象集合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为每一个ε领域内数据对象的个数，为每一个ε领域内第i个关键词向量与其中心点向量的相似度，α、β分别为数量n_ε、相似度函数的影响系数，且α+β＝1，α＜β，其值可以根据实验迭代出合适的值。

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。

判定条件如下：

γ为设定好的阈值，只有满足上式条件则归为一簇，则筛选k类出来。

步骤4.3：对每类关键词i(i∈(1，2，…，m))进行重新分配，按相似度函数f(i)选择聚类中心j′，其具体计算过程如下：

按f(i)值最大选择对应的聚类中心j′。

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

为第N次迭代得到的全局相似度函数，为第N次迭代第j类簇的相似度函数。

满足上式，则重新计算各簇中心。

步骤4.5：如果簇中心发生变化，则转到步骤4.2，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。

一种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，初始化每一个ε领域的相似度函数

输出：全局相似度函数的总和最大的k个簇。

Claims (2)

1.一种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，具体涉及一种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、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4：一种聚类算法，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算法初始化簇；

步骤4.2：初始化每一个领域的相似度函数，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：对每类关键词进行重新分配，按相似度函数选择聚类中心；

步骤4.4：根据判定函数的结果，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，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中所述的一种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：利用一种聚类算法，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算法初始化簇

步骤4.2：初始化每一个领域的相似度函数，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：

上式为每一个领域内数据对象的个数，为每一个领域内第i个关键词向量与其中心点向量的相似度，、分别为数量、相似度函数的影响系数，且，，其值可以根据实验迭代出合适的值

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

判定条件如下：

为设定好的阈值，只有满足上式条件则归为一簇，则筛选k类出来

步骤4.3：对每类关键词进行重新分配，按相似度函数选择聚类中心，其具体计算过程如下：

按值最大选择对应的聚类中心

步骤4.4：根据判定函数的结果，重新计算各簇中心，其具体计算过程如下：

为第N次迭代得到的全局相似度函数，为第N次迭代第j类簇的相似度函数

满足上式，则重新计算各簇中心

步骤4.5：如果簇中心发生变化，则转到步骤4.2，否则迭代结束，输出聚类结果。