搜索引擎优化方式( 本发明模糊k均值聚类算法实现搜索引擎优化技术(组图))

　　搜索引擎优化方式(

本发明模糊k均值聚类算法实现搜索引擎优化技术(组图))

　　

　　本发明涉及语义网络技术领域，具体涉及一种模糊k-means聚类算法实现搜索引擎优化技术。

　　背景技术：

　　随着互联网经济的快速发展和互联网的深入普及，搜索引擎已经成为企业展示自我的一个非常重要的舞台。搜索引擎优化，简称通俗讲，就是提高网站整体结构、网页内容、关键词和网页内链接的排名，提高其在特定搜索引擎的搜索结果中的排名，从而提高网站的访问量，并最终提高网站 的销售或宣传技巧。目前，关于搜索引擎优化方法的理论研究较为丰富，如黑帽技术和白帽技术，以及搜索引擎优化策略，如域名策略、网页设计规划策略、关键词策略、链接策略等。说到底，seo是关键词的优化策略。 关键词的优化策略主要分为两个阶段：第一阶段是关键词的提取；第二阶段是插入关键词。目前，*敏*感*词*对关键词优化的理论研究和技术应用较多，但尚未提出有效的方法来简化关键词分析过程，也没有完善的管理关键词优化的机制战略和进展。基于上述需求，本发明提供了一种模糊k-means聚类算法来实现搜索引擎优化技术。

　　技术实现要素：

　　针对关键词optimizing实现搜索引擎优化的技术问题，本发明提供一种模糊k-means聚类算法实现搜索引擎优化技术。

　　为解决上述问题，本发明是通过以下技术方案实现的：

　　第一步：根据企业的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，如全国每月搜索量、竞争程度、预估每次点击费用（cpc）等。

　　第2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；

　　第三步：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搜索页总数，即每个关键词由一个五维向量再现 降维是四维的。

　　第四步：模糊k-means聚类算法，对上面关键词进行聚类，具体子步骤如下：

　　步骤4.1使用基于ε域的k-means算法初始化簇，选择k个簇；

　　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：构造k型总目标函数j，积分隶属约束，构造m个方程，求解，即可得到使总目标函数j最大化的必要条件cj和wij；

　　步骤4.4：根据决策函数wij、cj、δ(j)的大小确定迭代结束；

　　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排名。

　　5、给企业网站带来一定的流量和查询，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、综合考虑了两个关键词之间的本质属性和相似性，以更高的精度构建了相应的参数模型，简化了聚类过程。

　　图纸说明

　　图1 模糊k-means聚类算法实现搜索引擎优化的技术架构流程图

　　图2模糊k-means聚类算法在聚类分析中的应用流程图

　　具体实现方法

　　为解决关键词optimization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：根据企业的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，如全国每月搜索量、竞争程度、预估每次点击费用（cpc）等。

　　第2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；

　　第三步：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搜索页总数，即每个关键词由一个五维向量复现降维为四维，具体计算过程如下：

　　这里关联的关键词个数为m，有如下m×5个矩阵：

　　

　　ni、ldi、cpci、nis、niy分别为对应国内月搜索量、竞争水平、预估每次点击费用（cpc）、首页页数、i-对应的总搜索页数第关键词。

　　维度缩减为四个维度，即

　　

　　xi∈(1,2,...,m)为搜索性能，zi∈(1,2,...,m)为取值率，公式如下：

　　

　　

　　第四步：模糊k-means聚类算法，对上面关键词进行聚类，具体子步骤如下：

　　步骤4.1：基于ε字段使用k-means算法初始化簇，过滤掉k个簇；

　　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；

　　建立一个随机隶属矩阵 j 为 m×k：

　　

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

　　成员资格的整个约束是：

　　

　　步骤4.3：构造k型总目标函数j，积分隶属约束，构造m个方程，求解，即可得到使总目标函数j最大化的必要条件cj和wij。具体计算过程如下：

　　根据总目标函数j，构造一个有m个约束的拉格朗日算子方程组，即如下公式：

　　

　　上式nεj为j类型数据对象的个数，

　　

　　是j类对应的向量关键词x，

　　

　　为j个类别关键词y对应的向量，δd为j个类别中两个关键词的属性差异；

　　

　　上式h为数据对象属性个数，h=4，

　　

　　是j类关键词xihj的均值，同理，

　　

　　是类别 j 关键词yihj 的平均值。

　　λi(i=1,...,m) 是 m 个约束的拉格朗日算子。上面方程的推导和所有输入参数的推导可以得到使j最大化的必要条件cj,wij：

　　

　　

　　

　　这里

　　

　　是j类簇的中心，后面跟着上面

　　

　　不一样，

　　

　　是数据对象的对应向量。

　　步骤4.4：根据判断函数wij、cj、δ(j)的大小确定迭代结束。具体计算过程如下：

　　δ(j)=jnew-jold＜θ

<p>δwij