本發(fā)明涉及語義網(wǎng)絡技術領域，具體涉及新的模型聚類算法實現(xiàn)搜索引擎優(yōu)化技術。

背景技術：

眾多網(wǎng)絡信息豐富了人們的信息來源，也給人們快速獲取信息造成了困擾。搜索引擎精準化、人性化的信息檢索服務被廣大使用者認可。目前不少研究發(fā)現(xiàn)，搜索引擎用戶一般只會關注搜索結果頁面中排名靠前的網(wǎng)站，這些網(wǎng)站的點擊率也相對高些。搜索引擎優(yōu)化,簡稱通俗的講是通過對網(wǎng)站整體架構，網(wǎng)頁內(nèi)容、關鍵詞以及網(wǎng)頁內(nèi)的鏈接進行相關的優(yōu)化工作，提高其在特定搜索引擎上搜索結果中的排名，從而提高網(wǎng)站訪問量,最終提升網(wǎng)站的銷售能力或宣傳能力的技術。目前關于搜索引擎優(yōu)化方法的理論研究已較為豐富，如黑帽技術和白帽技術，搜索引擎優(yōu)化策略,分別是域名策略、網(wǎng)頁設計規(guī)劃策略、關鍵詞策略以及鏈接策略。企業(yè)可以根據(jù)自己的搜索引擎優(yōu)化目的，有針對性的采取相應的優(yōu)化方法。通過不斷嘗試，定期更新查看，發(fā)現(xiàn)屬于企業(yè)自身的優(yōu)化方法，使企業(yè)提高自然排名，更好地應對互聯(lián)網(wǎng)大潮的沖擊，從而提高競爭優(yōu)勢。seo歸根結底是關鍵詞的優(yōu)化策略，現(xiàn)今國內(nèi)外對關鍵詞優(yōu)化的理論研究和技術應用比較多，但暫未提出一個有效的方法來簡化關鍵詞分析流程，也沒有一個完善的機制來管理關鍵詞優(yōu)化策略和進度?；谏鲜鲂枨?，本發(fā)明提供了一種新的模型聚類算法實現(xiàn)搜索引擎優(yōu)化技術。

技術實現(xiàn)要素：

針對于關鍵詞優(yōu)化實現(xiàn)搜索引擎優(yōu)化的技術問題，本發(fā)明提供了一種新的模型聚類算法實現(xiàn)搜索引擎優(yōu)化技術。

為了解決上述問題，本發(fā)明是通過以下技術方案實現(xiàn)的：

步驟1：根據(jù)企業(yè)業(yè)務確定核心關鍵詞，利用搜索引擎搜集相關關鍵字，這些關鍵字在搜索引擎中有相應數(shù)據(jù)項，如本國每月搜索量、競爭程度和估算每次點擊費用(cpc)等

步驟2：結合企業(yè)產(chǎn)品和市場分析，篩選降維上述搜索到的相關關鍵字集合；

步驟3：針對篩選降維后的關鍵詞集合，通過搜索引擎搜索關鍵詞對應的頁面，這里記錄首頁網(wǎng)頁數(shù)和總搜索頁面數(shù)，即每個關鍵詞由五維向量再降維為四維的。

步驟4：利用新的模型聚類算法，對上述關鍵詞進行聚類處理，其具體子步驟如下：

步驟4.1：利用基于ε領域的k-means算法初始化簇，分為k簇；

步驟4.2:用值[0,1]間的隨機數(shù)初始化隸屬矩陣j，使其滿足隸屬的整個約束條件；

步驟4.3：構建k類緊湊度函數(shù)j，綜合隸屬約束條件，構建m個方程組，對其進行求解，即可求出使緊湊度函數(shù)j最大的必要條件cj、wij；

步驟4.4：根據(jù)判定函數(shù)wij、cj、δ(j)的大小來確定迭代的結束；

步驟4.5：根據(jù)概率函數(shù)pi∈j重新歸類；

步驟4.6：根據(jù)步驟4.2得到的分類結果，得到這幾個參數(shù)模型；

步驟4.7：重復執(zhí)行步驟4.2、步驟4.3兩步，直到算法收斂為止；

步驟5：根據(jù)企業(yè)具體情況，綜合關鍵詞效能優(yōu)化和價值率優(yōu)化，選擇合適的關鍵詞優(yōu)化策略達到網(wǎng)站優(yōu)化目標。

本發(fā)明有益效果是：

1，此算法可以精簡關鍵詞分析流程，進而減少整個網(wǎng)站優(yōu)化工作量。

2，此算法的運行時間復雜度低，處理速度更快。

3、此算法具有更大的利用價值。

4、能幫助網(wǎng)站在短時間內(nèi)快速提升其關鍵詞的排名。

5、為企業(yè)網(wǎng)站帶來一定的流量和詢盤，從而達到理想的網(wǎng)站優(yōu)化目標。

6、此算法分類結果的準確度更符合經(jīng)驗值；

7、此算法綜合了模型概率分布函數(shù)對關鍵詞進一步聚類，得到的結果更加精確。

8、避免了聚類結果過早收斂問題，同時進一步驗證了聚類結果的準確性。

附圖說明

圖1新的模型聚類算法實現(xiàn)搜索引擎優(yōu)化技術結構流程圖

圖2新的模型聚類算法在聚類分析中的應用流程圖

具體實施方式

為了解決關鍵詞優(yōu)化實現(xiàn)搜索引擎優(yōu)化的技術問題，結合圖1-圖2對本發(fā)明進行了詳細說明，其具體實施步驟如下：

步驟1：根據(jù)企業(yè)業(yè)務確定核心關鍵詞，利用搜索引擎搜集相關關鍵字，這些關鍵字在搜索引擎中有相應數(shù)據(jù)項，如本國每月搜索量、競爭程度和估算每次點擊費用(cpc)等

步驟2：結合企業(yè)產(chǎn)品和市場分析，篩選降維上述搜索到的相關關鍵字集合；

步驟3：針對篩選降維后的關鍵詞集合，通過搜索引擎搜索關鍵詞對應的頁面，這里記錄首頁網(wǎng)頁數(shù)和總搜索頁面數(shù)，即每個關鍵詞由五維向量再降維為四維的，其具體計算過程如下：

這里相關關鍵詞個數(shù)為m，既有下列m×5矩陣：

ni、ldi、cpci、nis、niy依次為第i個關鍵詞對應的本國每月搜索量、競爭程度、估算每次點擊費用(cpc)、首頁網(wǎng)頁數(shù)、總搜索頁面數(shù)。

再降維為四維，即

xi∈(1，2，…，m)為搜索效能，zi∈(1，2，…，m)為價值率，即為下式：

步驟4：利用新的模型聚類算法，對上述關鍵詞進行聚類處理，其具體子步驟如下：

步驟4.1：利用基于ε領域的k-means算法初始化簇，篩選出k簇；

步驟4.2:用值[0,1]間的隨機數(shù)初始化隸屬矩陣j，使其滿足隸屬的整個約束條件；

構建隨機隸屬矩陣j為m×k：

wij為關鍵詞i屬于j類的程度系數(shù)，即j∈(1，2，…，k)、i∈(1，2，…，m)。

隸屬的整個約束條件為：

步驟4.3：構建k類緊湊度函數(shù)j，綜合隸屬約束條件，構建m個方程組，對其進行求解，即可求出使緊湊度函數(shù)j最大的必要條件cj、wij；

根據(jù)ε領域數(shù)據(jù)對象緊湊度函數(shù)，構建帶有m個約束式的拉格朗日算子方程組，即有下式：

上式nεj為j類數(shù)據(jù)對象個數(shù)，xih為第i關鍵詞所對應的向量，yjh為j類簇中心向量，為關鍵詞i屬性的平均值，為j類簇中心屬性的平均值，h為關鍵詞屬性的個數(shù)，h＝4；λi(i＝1，…，m)是m個約束式的拉格朗日算子，對上述式子進行求導，對所有輸入?yún)⒘壳髮?，即可求得使j達到最大的必要條件cj、wij：

步驟4.4：根據(jù)判定函數(shù)wij、cj、δ(j)的大小來確定迭代的結束，其具體計算過程如下：

δ(j)＝j^new-j^old＜θ

δwij＜μ

δcj＜γ

上式j^new為當前迭代的緊湊度函數(shù)值，j^old為上一次緊湊度函數(shù)的值，δwij為前后迭代的隸屬變化值，δcj為前后迭代的類中心變化值，θ、μ、γ為足夠小的閾值。只有滿足上述三個條件，則迭代結束，輸出最佳聚類結果。

步驟4.5：根據(jù)概率函數(shù)pi∈j重新歸類，其具體計算過程如下：

概率函數(shù)：

上式p(i/j)服從(μj，σj²)的正態(tài)分布，且μj、σj是隨簇中心變化，nj為類j數(shù)據(jù)對象的個數(shù)，xi為關鍵詞i；

步驟4.6：根據(jù)步驟4.5得到的分類結果，得到這幾個參數(shù)模型，其具體計算結果如下：

步驟4.7：重復執(zhí)行步驟4.5、步驟4.6兩步，直到算法收斂為止，其具體計算過程如下：

根據(jù)初始的(μj，σj²)計算出p(i∈j)，再更新正態(tài)分布參數(shù)μj、σj，根據(jù)下列判別式進一步刷選最佳分類；

δ(μj)＜α

δσj＜β

δp(j)＜δ

δ(μj)、δσj、δp(j)分別為概率分布的期望變化量、標準差變化量、類j變化量，α、β、δ為足夠小的數(shù)，當?shù)Y果滿足以上三個約束條件，則進一步找到最佳聚類結果。

步驟5：根據(jù)企業(yè)具體情況，綜合關鍵詞效能優(yōu)化和價值率優(yōu)化，選擇合適的關鍵詞優(yōu)化策略達到網(wǎng)站優(yōu)化目標。