搜索引擎进行信息检索的优化策略方法( 本发明涉及一种验证搜索引擎关键词优化技术的方法。(图))

　　搜索引擎进行信息检索的优化策略方法(

本发明涉及一种验证搜索引擎关键词优化技术的方法。(图))

　　本发明涉及语义网络技术领域，具体涉及一种搜索引擎优化技术验证方法关键词。

　　背景技术：

　　搜索引擎是人们获取网络资源的主要工具。随着雅虎、谷歌等知名搜索引擎的出现，搜索引擎成为网民了解网站的第一大入口。搜索引擎优化（SEO）也逐渐发展起来，可以利用搜索引擎的优势，在最短的时间内找到公司网站或者网页。搜索引擎是指按照一定的策略从互联网上采集信息，并使用特定的计算机程序，对信息进行组织和处理，为用户提供检索服务，并将用户检索到的相关信息展示给用户的系统。搜索引擎优化策略主要包括域名策略、网页设计规划策略、关键词策略和链接策略。核心策略是关键词优化策略。目前，关键词的选择大多基于经验和主观因素，没有完善的机制来管理关键词的优化策略和进度。为了使关键词的选择更加科学、客观，基于上述需求，本发明提供了一种搜索引擎关键词优化技术的验证方法。

　　技术实施要素：

　　针对关键词优化实现搜索引擎优化的技术问题，本发明提供了一种搜索引擎关键词优化技术的验证方法。

　　为解决上述问题，本发明通过以下技术方案实现：

　　第一步：根据企业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对应的数据项，比如该国的月搜索量、竞争程度、预估的每次点击费用（CPC）等。

　　第二步：结合企业产品和市场分析，对搜索到的相关关键词集进行上述降维过滤；

　　Step 3：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，记录首页页数和总搜索页数，即，每个 关键词 由五页组成。然后将维度向量减少到四个维度。

　　Step 4：使用改进的密度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算法初始化集群。

　　步骤4.2：初始化每个ε域的影响函数f(i,j)start，根据如下判断条件从数据对象集D中选择k个初始聚类中心。

　　Step4.3：重新分配每个类关键词i(i∈(1,2,…,m))，根据概率函数p(i)选择聚类中心j′；

　　步骤4.4：根据判断函数Δ(f)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，则进行步骤(2)，否则迭代结束，输出聚类结果。

　　Step 5：使用模糊c-means聚类算法验证上述聚类结果的准确性。具体子步骤如下：

　　Step5.1：用值[0,1]之间的一个数初始化隶属度矩阵J，使其满足隶属度的全部约束

　　步骤5.2：根据影响函数f(i,j)构造k类总目标函数，然后综合整个隶属度约束构造一个新的k类总目标函数，最终得到最佳k级中心

　　Step5.3：将得到的聚类中心与上述步骤4得到的聚类中心进行比较，可以验证改进的密度聚类算法结果的准确性

　　第六步：根据企业的具体情况，综合优化关键词效率优化和价值率优化，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分析过程，从而减少整个网站优化工作量。

　　2.该算法运行时间复杂度低，处理速度较快。

　　3、这个算法有更大的实用价值。

　　4、可以帮助网站在短时间内快速提升其关键词排名。

　　5、给企业带来一定的流量和查询网站，从而达到理想的网站优化目标。

　　6、该算法的分类结果准确率更符合经验值。

　　7、这个算法更简单，效率更高。

　　8、数据处理效果更好。

　　9、提供了一种思路来验证聚类算法结果的准确性。

　　图纸说明

　　图1是验证搜索引擎优化技术的方法结构流程图关键词

　　图2 一种改进的密度聚类算法在聚类分析中的应用流程图

　　图 3 模糊 c-means 聚类算法验证结果准确性的结构流程图

　　详细说明

　　为解决优化和实现搜索引擎优化的技术问题，结合图1-图对本发明进行详细说明。3、具体实施步骤如下：

　　第一步：根据企业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对应的数据项，比如该国的月搜索量、竞争程度、预估的每次点击费用（CPC）等。

　　第二步：结合企业产品和市场分析，对搜索到的相关关键词集进行上述降维过滤；

　　Step 3：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，记录首页页数和总搜索页数，即，每个 关键词 由五页组成。然后将维向量降为四维，具体计算过程如下：

　　这里相关关键词的个数是m，有以下m×5个矩阵：

　　Ni、Ldi、CPCi、NiS、NiY分别为第i个关键词对应的国家/地区的月搜索量、竞争水平、预估每次点击费用（CPC）、首页页数、总搜索页数@>。

　　然后将维度缩减为四个维度，即

　　Xi∈(1, 2,…,m) 为搜索效率，Zi∈(1, 2,…,m) 为取值率，公式如下：

　　Step 4：使用改进的密度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算法初始化集群。

　　步骤4.2：初始化每个ε域的影响函数f(i,j)start，根据如下判断条件从数据对象集D中选择k个初始聚类中心。具体计算过程如下：

　　上式Nε为j型ε域中数据对象的个数，d(i,j)为关键词i到对应ε域中聚类中心的距离，σ为期望值的集群中心。

　　上式xih为ε域中第i个关键词对应的向量，yjh为ε域中聚类中心数据对象的向量。

　　判断条件如下：

　　f(i,j)开始>γ

　　γ是设定的阈值，只有满足以上条件，才会被分类为一个簇。

　　Step4.3：重新分配每个类关键词i(i∈(1,2,…,m)，根据概率函数p(i)选择聚类中心j′，计算具体过程如下：

　　根据p(i)的最大值选择对应的聚类中心j'。

　　步骤4.4：根据判断函数Δ(f)的结果，重新计算每个簇的中心，具体计算过程如下：

　　Δ(f)=f(i,j)new-f(i,j)old>0

　　如果满足上述公式，则重新计算每个簇的中心。

　　步骤4.5：如果聚类中心发生变化，则进行步骤(2)，否则迭代结束，输出聚类结果。

　　Step 5：使用模糊c-means聚类算法验证上述聚类结果的准确性。具体子步骤如下：

　　Step5.1：用值[0,1]之间的一个数初始化隶属度矩阵J，使其满足整个隶属度约束条件。具体计算过程如下：

　　上式wij为关键词i属于j类的度系数，即j∈(1, 2,...,k), i∈(1, 2,...,m) .

　　将隶属度矩阵 J 初始化为 m×k：

　　成员的整个约束是：

　　步骤5.2：根据影响函数f(i,j)，构造k型总目标函数，然后综合整个隶属度约束构造新的k型总目标函数，最终得到最佳k型中心，即为，具体计算过程如下：

　　k个类的总体目标函数f(i, j)∑j∈k：

　　新的 k 类总目标函数 f(i, j1, j2, …, jk, λ1, …, λm)∑j∈k：

　　上式λi(i=1,2,...,m)是整个隶属度约束的拉格朗日乘数。推导所有参数使公式f(i, j)∑j∈k达到最大值的必要条件是：

　　上式就是关键词i对应的向量；

　　Step5.3：将得到的聚类中心与上述步骤4得到的聚类中心进行比较，可以验证改进后的密度聚类算法结果的准确性。具体计算过程如下：

　　准确度公式为

　　上式为应用步骤4得到的k个簇，应用步骤5得到的k个簇，γ为阈值。如果条件满足，则验证以上结果正确，否则为错误。

　　第六步：根据企业的具体情况，综合优化关键词效率优化和价值率优化，选择合适的关键词优化策略，实现网站优化目标。

　　一种验证搜索引擎关键词优化技术的方法，其伪代码过程

　　输入：网站提取的核心关键词，基于ε字段初始化集群

　　输出：网站最佳关键词。