归纳总结:SEO关键词的布局分析

　　归纳总结:SEO关键词的布局分析

　　在第一篇文章《SEO入门就够了》中提到网站关键词是女神，大家都围着她转，在网站 在优化排名的时候，只有把你的目标关键词放在首页，然后谈客户转化率才有意义。如果 网站 没有流量，一切都只是纸上谈兵。现在分享一下网站首页的布局关键词，这个文章不提太多细节，具体实现会在其他文章中介绍。

　　头 关键词

　　之前看过一个报道，当用户在浏览网页时，用户最关注的地方是头部的左上角。除了这项研究，我们观察到我们自己的浏览行为是相似的。在这个世界过去，我们大多数人接受相同的社会信息，相同的社会教育，大多数人的行为习惯趋于同质化。如果您了解这些，学习SEO优化会容易得多。

　　回到正题，一般网站的左上角是网站LOGO和网站标题，有些人只用LOGO图标占据左上角，我觉得可以与文本形式相匹配，通常还会有一个指向 网站 本身的超链接。

　　头部的导航菜单应该说是整个首页权重仅次于LOGO标题的位置，所以这个位置必须选择目标关键词，目标关键词可以分为主关键词、次关键词、长尾关键词，有时甚至可以使用一些相关的辅助词，因为辅助词有时更容易排名，可以给网站 早期流量的提升，一个新网站最困难的时期是开始，当它被搜索引擎不喜欢的时候。

　　内容关键词

　　所谓内容关键词是指除了头部和底部的关键词，这部分的关键词权重低于头部关键词，但是有数量上的优势，我们可以把大部分次要的关键词、长尾的关键词，以及相关的辅助关键词都安排在这个位置，但也要记得合理分配，不要堆积无意义，可以按照28法则，相关内容占80%，次要相关和辅助内容占20%，整体关键词密度2%-8%。一些低竞争的关键词有了排名之后，他们的竞争力就会更强。大的 关键词 做了一些优化。

　　底部 关键词

　　网站的底部一般收录版权声明等信息，所以权重一定是最低的。一些SEO朋友喜欢在网站底部做朋友，但我个人觉得没必要，而且影响网站的美观，因为有些附属链接的名字实在是有点太骚了.

　　建议在网站底部放置一个链接指向网站首页，或者放置一些不太重要的关键词链接到网站内部目录.

　　点击领取↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

　　SEO教程直播+V：rdseo999，想学习SEO技术的同学不要错过！

　　赠送教程：1、百度算法篇：42节SEO快速快排教程一套！2、网站运营篇：32节教你运营好一个网站！3、SEO实战篇：9节百度SEO进阶教程！

　　归纳总结:文本增强-相似句生成

　　我最近一直在做一些项目，我想尝试生成类似的句子来扩展训练集。我参考了很多项目，尝试了很多方法。以下是我的尝试

　　1个辛伯特

　　这是我一开始尝试的方法，因为我被他的酷炫效果所吸引，

　　先去/ZhuiyiTechnology/pretrained-models下载预训练模型

　　这三个都可以，选择你喜欢的尺寸。

　　然后参考simbert的代码/ZhuiyiTechnology/simbert

　　如果您只想使用它，只需运行 gen_synonyms_test.py。如果你的环境（tensorflow 1.14 + keras 2.3.1 + bert4keras 0.7.7）配置好了，那么你只需要改变模型参数的路径就可以了。

　　只需更改下载的预训练模型的路径即可。

　　但是由于我们实验室的服务器是3090，不支持CUDA10，所以无法配置tensorflow1.14环境。如果像我这样的UU只能改代码。我是基于tensorflow2.6.0实现的。（具体要改的细节会写在下一篇文章文章中，因为今天实验室的服务器断网，连接不上（┳Д┳），看不懂我在服务器上的代码）

　　测试结束后，我惊呼这个simbert真的很棒，但同时我发现了一个致命的问题。原作者的预训练模型是根据百度知道的类似问题的语料库训练出来的，也就是说这个和训练是一样的。该模型只能生成相似的问题句子。. . . . ?

　　所以虽然它运作良好，但它仍然对我不起作用，因为我的训练数据集没有问题。

　　2 同义词替换

　　这是nlpcda/425776024/nlpcda的参考，里面收录了很多中文数据增强工具。我发现更有用的是随机同义词替换。

　　官方给出的效果是这样的，实际效果我觉得一般

　　主要问题是同义词词典。互联网上使用最多的同义词词典是“Synonym Cilin”，包括nlpcda。这本词典文言文的表达方式太多，不适用于我的资料。

　　如果您正在处理一个有紧急需求的项目，您可以使用同义词工具包为您自己的数据扩展同义词词典。我使用同义词，安装：pip install synonyms；不需要 GPU 环境。效果如下：

　　这样，为自己的数据集创建一个 synonym.txt:，如下：

　　注意格式，否则加载不流畅。格式：

　　编号 = 同义词 1 同义词 2 同义词 3

　　用空格分隔它们。请注意，只能使用空格。\t 是不可接受的。序号只是一串随机的数字，不需要规律性。

　　然后我们加载自己的字典看看效果：

　　from nlpcda import Similarword

test_str = '''罪犯违反了劳动的纪律。'''

<p>

smw = Similarword(base_file=&#39;我的同义词.txt&#39;,create_num=10, change_rate=0.6)

rs1 = smw.replace(test_str)

print(&#39;随机同义词替换>>>>>>&#39;)

for s in rs1:

print(s)

</p>

　　base_file 是你自己的词库词典路径，这里有两种方法，一种是把你自己扩展的同义词直接复制粘贴到原来的词库词典上，你可以把同义词放在/425776024/nlpcda/tree/master/nlpcda/data。txt 下载，将扩展的同义词复制并粘贴到其中以进行扩展。您也可以只使用自己的同义词词典。我采用了后者，效果如下：

　　只加载自己的字典

　　也可以看看将自己的同义词扩展为原词典的效果。

　　以我的同义词为扩展

　　效果是。. . . . . . . . . 很难说。

　　总结：辛伯特的gen_synonyms_test.py 运行环境比较高。如果是tensorflow2，则需要对代码进行微调，虽然效果不错，但只能用于提问。由于nlpcda中用于替换同义词的字典很奇怪，效果我不太满意。最好为自己的数据集扩展一个同义词词库，然后用nlpcda生成，效果更好。

　　下一篇文章会用飞野写文本生成模型ernie-gen，用百度的千言数据集训练一个生成相似文本的模型。本来应该写在这个文章里面的，但是因为这两天连不上实验室的服务器，所以写不出来。我来说说我对实验结果的主观感受。经过训练，ernie-gen确实可以生成相似文本，但是由于输入的训练数据在表达上非常简单，所以生成的相似文本主要是词序的变化。变化相对较小。可以与同义词替换结合使用。