搜索引擎关键词优化( 本发明算法实现搜索引擎关键词优化的技术实现关键词优化)

　　搜索引擎关键词优化(

本发明算法实现搜索引擎关键词优化的技术实现关键词优化)

　　本发明涉及语义网络技术领域，具体涉及一种改进的聚类算法，实现搜索引擎关键词优化。

　　背景技术：

　　搜索引擎在增加对网站 的访问量方面发挥着至关重要的作用。用户在互联网上搜索信息时，通常的方法是使用搜索引擎进行搜索。因此，在网络推广领域，SEO（搜索引擎优化）起着举足轻重的作用，引起了网站的关注。搜索引擎优化技术包括黑帽技术和白帽技术。黑帽技术代表违反搜索引擎优化规则的恶意优化技术。在关键词优化技术中，就是在页面堆放关键词或者放置不相关的关键词为了提高在搜索引擎中的排名，目前的搜索引擎已经引入了相关的技术和规则来惩罚使用黑帽的网站技术;白帽技术是指搜索引擎认可的优化技术。真正的SEO是通过采用合理的方式，便于搜索引擎索引，让网站更加人性化和搜索引擎友好，从而更容易被搜索引擎收录进行排名和优先排序。一个企业网站以其核心关键词在主流搜索引擎中排名第一，在当今的商业社会具有非凡的价值。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，但还没有提出一种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，本发明提出一种改进的聚类算法，实现搜索引擎关键词优化。

　　技术实现要素：

　　针对关键词优化实现搜索引擎优化的技术问题，本发明提出一种改进的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。这些关键字在搜索引擎中都有相应的数据项，例如每月搜索量、竞争水平和估算的每次点击费用（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：使用改进的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域的目标函数，根据以下判断条件从数据对象集D中选择k个初始聚类中心；

　　步骤4.3：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，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、这个算法更简单，更有效。

　　8、数据处理的效果更好。

　　图纸说明

　　图1 改进聚类算法实现搜索引擎关键词优化结构流程图

　　图2 改进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，比如每月的搜索量、竞争程度和估算的每次点击费用（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i-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、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：使用改进的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域的目标函数，根据以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是每个ε域中数据对象的个数，是每个ε域中的总紧密度。 α和β分别是nε数和紧密度的影响系数，α+β=1，可以根据实验迭代取合适的值。

　　鞋面款式

　　是空间中第i个关键词向量与其聚类中心向量的内积。

　　判断条件如下：

　　γ 是一个设定的阈值。只有满足上述公式，才将其分类为一个簇，然后过滤掉k个类别。

　　步骤4.3：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′，并计算具体流程如下：

　　根据p(i)的最大值选择对应的聚类中心j'。

　　步骤4.4：根据确定函数Δ(g)的结果，重新计算每个簇的中心。具体计算过程如下：

　　gi∈k是第N次迭代得到的全局目标函数，是第N次迭代第j个簇的目标函数。

　　Δ(g)=gi∈kN-gi∈kN-1＞0

　　满足上面的公式，然后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，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率优化，选择合适的关键词优化策略，实现网站优化目标。

　　改进聚类算法实现搜索引擎关键词优化，其伪代码过程

　　输入：网站提取核关键词，基于ε域初始化簇，初始化每个ε域的目标函数

　　输出：全局目标函数gi∈k之和最大的k个簇。