搜索引擎关键词优化方法( 基于VSM的模糊均值聚类算法实现搜索引擎关键词优化(组图))

　　搜索引擎关键词优化方法(

基于VSM的模糊均值聚类算法实现搜索引擎关键词优化(组图))

　　本发明涉及语义网络技术领域，具体涉及一种基于VSM的模糊c-means聚类算法的搜索引擎关键词优化的实现。

　　背景技术：

　　互联网的飞速发展，带动了互联网信息的膨胀，其商业价值也被人们发现。更多的行业将信息放到互联网上，希望通过搜索引擎广告或其他类型的广告被发现，以较低的成本带来可观的收益。目前，我国的搜索引擎行业已经比较成熟，但尚未出现完整的企业级搜索引擎战略理论。这也是企业实施搜索引擎优化不成功的一个重要原因。很多公司只知道简单的优化，并没有一个完整的策略体系来指导他们如何优化。面对优化，他们根本不知道如何实现。这也导致了一些公司作弊，在搜索引擎中寻找一些漏洞，以获取临时排名，以追求眼前的临时利益。这极大地扰乱了搜索引擎优化行业的正常发展。

　　一家企业网站以其核心关键词在主流搜索引擎中排名第一。它在当今的商业社会中具有非凡的价值。因此，关键字通常被称为整个搜索应用程序的基石。目前，*敏*感*词*对关键词优化的理论研究和技术应用较多，但没有有效的方法来简化关键词的分析过程，也没有完善的机制来管理< @关键词 优化策略和时间表。基于上述需求，本发明提出一种基于VSM的模糊c-means聚类算法，实现搜索引擎关键词优化。

　　技术实现要素：

　　本发明针对关键词优化实现搜索引擎优化的技术问题，提出了一种基于VSM的模糊c-means聚类算法，实现搜索引擎关键词优化。

　　为解决上述问题，本发明通过以下技术方案实现：

　　第一步：根据公司业务确定核心关键词，利用搜索引擎采集相关关键词。这些关键词在搜索引擎中都有相应的数据项，如全国每月的搜索量、竞争程度、估算的每次点击费用（CPC）等。

　　第二步：结合公司产品和市场分析，对上述搜索中找到的相关关键词集进行过滤降维；

　　Step 3：对于降维过滤后的关键词集合，通过搜索引擎搜索关键词对应的页面，这里记录首页页数和总搜索页数，即每个 关键词 由五维向量组成，然后降为四维。

　　Step 4：基于VSM的模糊c-means聚类算法，对上述关键词进行聚类，具体子步骤如下：

　　步骤4.1：使用基于ε字段的k-means算法将其初始化为类型c。

　　步骤4.2：用值[0,1]之间的随机数初始化隶属矩阵J，使其满足全隶属约束；

　　步骤4.3：初始化各域的目标函数，构造c型总目标函数，综合隶属约束，构造m个方程，求解得到聚类结果；

　　步骤4.4：用下面的公式确定函数Δ(g)的结果，重新计算每个簇的中心；

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

　　第五步：根据企业的具体情况，整合关键词效率优化和价值比优化，选择合适的关键词优化策略，实现网站优化目标。

　　本发明的有益效果是：

　　1、该算法可以简化关键词的分析过程，从而减少整个网站的优化工作量。

　　2、该算法运行时间复杂度低，处理速度较快。

　　3、这个算法有更大的使用价值。

　　4、可以帮助网站在短时间内快速提升其关键词的排名。

　　5、给企业带来一定的流量和查询量网站，从而达到理想的网站优化目标。

　　6、该算法准确分配了每个字段的全局比例权重系数和局部区域内每个字段的总路径和，分类结果更符合经验值。

　　7、 减少异常值对聚类结果的影响。

　　8、结合模糊c-means聚类算法，避免聚类结果过早收敛。

　　图纸说明

　　图1 基于VSM的模糊c-means聚类算法实现搜索引擎优化结构流程图关键词

　　图2 基于VSM的模糊c-means聚类算法在聚类分析中的应用流程图

　　详细方法

　　为解决关键词优化实现搜索引擎优化的技术问题，结合图1至图2对本发明进行详细说明，具体实现步骤如下：

　　第一步：根据公司业务确定核心关键词，利用搜索引擎采集相关关键词。这些关键词在搜索引擎中都有相应的数据项，比如每月在全国的搜索量、竞争程度、估算的每次点击费用（CPC）等。

　　第二步：结合公司产品和市场分析，对上述搜索中找到的相关关键词集进行过滤降维；

　　Step 3：对于降维过滤后的关键词集合，通过搜索引擎搜索关键词对应的页面，这里记录首页页数和总搜索页数，即每个关键词由五个维度向量再次缩减为四个维度，具体计算过程如下：

　　这里，相关关键词的个数为m，有如下m×5矩阵：

<p>Ni、Ldi、CPCi、NiS、NiY分别为对应的国内月搜索量、竞争水平、预估每次点击费用（CPC）、首页页数、第i个