Category Archives: SEO

看到飘渺蝶舞这篇文章的时候，真是很惊喜，这应该是在网上为数不多的SEO技术的量化帖子了。 一般我们查相关关键词可能会通过两个方式，一个是查看百度相关搜索，另外一个是通过目测，看看两个词汇之间是否具有相关度，实际上后面一种办法是相当不科学和不准确的。 还记得小达哥做163邮箱这个词的时候，在百度搜索“163邮箱”出现“丘仕达”这个关键词吗？当时很多人开始研究相关关键词，前段时间我也做过类似实验，搜索SEO出现“飘渺蝶舞”。那么这究竟是如何出现的呢？ 举个例子，我们现在有两个网页 A网页的内容是手机描述，出现最高频率的关键词是：手机，蓝牙，彩屏 B网页的内容是手机服务，出现最高频率的关键词是：中国移动，彩铃，短信 如果我们仅仅按照目测的话，我们会得出以下的结果 A网页和B网页是不相关的 搜索A的词不会出现B，而搜索B的词，不会出现A 这是明显有错误的，我们在查看网页词汇的相关度的时候，如果仅仅看到的是网页表面的词汇，我们无法把握很多相关长尾词汇，我们要看到的是这个词后面隐含更深的意义。 我们在搜索“手机”这个关键词的时候，搜索引擎返回的数据往往有可能会是以下这样 {彩屏*彩屏在文章中的权重，蓝牙*蓝牙在文章中的权重，彩铃*彩铃在文章中的权重，……} 按照这样的算法，我们就可以将一篇文章中的关键词拓展出多个相关词汇，也可以将其他相关词汇所对应的向量拓展更多的词汇。 这样我们就需要计算一个相关词汇的矩阵M。 假如现在有a词和b词 那么M(a,b) = {关键词a,b的相关度} 这样以来，两篇文章的相关度的计算公式就变成了R= Sigma Vi*M(a,b)*Vj 那么相关度到底如何计算呢？ 举个例子，手机和蓝牙，我们用以下方式计算 一个文章集合 {W}，总文章数目为N，其中含有单词A的文章总数为N1，含有单词B的文章总数是N2，含有｛A+B｝的文章总数是 N12，那么相关性这么计算 CorrAB= N12/(N1+N2-N12)-(N1*N2)/(N*N) 注意，这里计算的结果有可能会变成负值，如果A和B都是小量的 CorrAB= N12/(N1+N2-N12) 这样就可以算出两篇文章中的相关度了 现在让百度来告诉我们手机和蓝牙之间到底会被百度认为有多少相关度 搜索手机：百度一下，找到相关网页约100,000,000篇 搜索蓝牙：百度一下，找到相关网页约28,000,000篇 搜索手机+蓝牙：百度一下，找到相关网页约22,400,000篇 Corr{手机，蓝牙}=22,400,000/(100,000,000+28,000,000-22,400,000)=0.21 也就是21% 利用这个办法计算网页信噪比，是衡量一个网页关键词的最准确的，当然也是最核心的算法。呵呵，看明白了吗？没有的话多看几次，这些都是一个seoer所必须拥有的哦~ 转自：飘渺蝶舞

搜索引擎技术的研究，国外比中国要早近十年，从最早的Archie，到后来的Excite，以及altvista、overture、google 等搜索引擎面世，搜索引擎发展至今，已经有十几年的历史，而国内开始研究搜索引擎是在上世纪末本世纪初。在许多领域，都是国外的产品和技术一统天下，特别 是当某种技术在国外研究多年而国内才开始的情况下。例如操作系统、字处理软件、浏览器等等，但搜索引擎却是个例外。虽然在国外搜索引擎技术早就开始研究， 但在国内还是陆续涌现出优秀的搜索引擎，像百度（http://www.baidu.com）、中搜（http://www.zhongsou.com）等。目前在中文搜索引擎领域，国内的搜索引擎已经和国外的搜索引擎效果上相差不远。之所以能形成这样的局面，有一个重要的原因就在于中文和英文两种语言自身的书写方式不同，这其中对于计算机涉及的技术就是中文分词。 什么是中文分词 众 所周知，英文是以词为单位的，词和词之间是靠空格隔开，而中文是以字为单位，句子中所有的字连起来才能描述一个意思。例如，英文句子I am a student，用中文则为：“我是一个学生”。计算机可以很简单通过空格知道student是一个单词，但是不能很容易明白“学”、“生”两个字合起来 才表示一个词。把中文的汉字序列切分成有意义的词，就是中文分词，有些人也称为切词。我是一个学生，分词的结果是：我 是 一个 学生。 中文分词和搜索引擎 中文分词到底对搜索引擎有多大影响？对于搜索引擎来说，最重要的并不是找到所有结果，因为在上百亿的网页中找到所有结果没有太多的意义，没有人能看得完， 最重要的是把最相关的结果排在最前面，这也称为相关度排序。中文分词的准确与否，常常直接影响到对搜索结果的相关度排序。笔者最近替朋友找一些关于日本和 服的资料，在搜索引擎上输入“和服”，得到的结果就发现了很多问题。下面就以这个例子来说明分词对搜索结果的影响，在现有三个中文搜索引擎上做测试，测试 方法是直接在Google（http://www.google.com）、百度（http://www.baidu.com）、中搜（http://www.zhongsou.com）上以“和服”为关键词进行搜索： 在Google上输入“和服”搜索所有中文简体网页，总共结果507,000条，前20条结果中有14条与和服一点关系都没有。在第一页就有以下错误：     “通信信息报：瑞星以技术和服务开拓网络安全市场” “使用纯HTML的通用数据管理和服务- 开发者- ZDNet …” “陈慧琳《心口不一》化妆和服装自己包办” “::外交部：中国境外领事保护和服务指南(2003年版) …” “产品和服务” 等等。第一页只有三篇是真正在讲“和服”的结果。 在百度上输入“和服”搜索网页，总共结果为287,000条，前20条结果中有6条与和服一点关系都没有。在第一页有以下错误：     “福建省晋江市恒和服装有限公司系独资企业” “关于商品和服务实行明码标价的规定” “青岛东和服装设备” 在中搜上输入“和服”搜索网页，总共结果为26,917条，前20条结果都是与和服相关的网页。 这次搜索引擎结果中的错误，就是由于分词的不准确所造成的。通过笔者的了解，Google的中文分词技术采用的是美国一家名叫Basis Technology（http://www.basistech.com）的公司提供的中文分词技术，百度使用的是自己公司开发的分词技术，中搜使用的是国内海量科技（http://www.hylanda.com）提供的分词技术。由此可见，中文分词的准确度，对搜索引擎结果相关性和准确性有相当大的关系。 中文分词技术 … Continue reading →