一种模糊K均值聚类算法实现搜索引擎优化技术制造技术

一种模糊K均值聚类算法实现搜索引擎优化技术，根据企业业务确定核心关键词，搜索关键词对应的数据项，如本国每月搜索量、竞争程度和估算每次点击费用

【技术实现步骤摘要】
一种模糊K均值聚类算法实现搜索引擎优化技术
本专利技术涉及语义网络
，具体涉及一种模糊K均值聚类算法实现搜索引擎优化技术。
技术介绍
随着互联网经济的迅速发展以及网络的深入普及,搜索引擎已经成为企业展示自己的一种很重要的舞台。搜索引擎优化，简称通俗的讲是通过对网站整体架构，网页内容、关键词以及网页内的链接进行相关的优化工作，提高其在特定搜索引擎上搜索结果中的排名，从而提高网站访问量,最终提升网站的销售能力或宣传能力的技术。目前关于搜索引擎优化方法的理论研究已较为丰富，如黑帽技术和白帽技术，搜索引擎优化策略，分别是域名策略、网页设计规划策略、关键词策略以及链接策略。SEO归根结底是关键词的优化策略，关键词优化策略主要分为两个阶段：第一阶段为关键词的提取；第二阶段为关键词的插入。现今国内外对关键词优化的理论研究和技术应用比较多，但暂未提出一个有效的方法来简化关键词分析流程，也没有一个完善的机制来管理关键词优化策略和进度。基于上述需求，本专利技术提供了一种模糊K均值聚类算法实现搜索引擎优化技术。
技术实现思路
针对于关键词优化实现搜索引擎优化的技术问题，本专利技术提供了一种模糊K均值聚类算法实现搜索引擎优化技术。为了解决上述问题，本专利技术是通过以下技术方案实现的：步骤1：根据企业业务确定核心关键词，利用搜索引擎搜集相关关键字，这些关键字在搜索引擎中有相应数据项，如本国每月搜索量、竞争程度和估算每次点击费用(CPC)等步骤2：结合企业产品和市场分析，筛选降维上述搜索到的相关关键字集合；步骤3：针对筛选降维后的关键词集合，通过搜索引擎搜索关键词对应的页面，这里记录首页网页数和总搜索页面数，即每个关键词由五维向量再降维为四维的。步骤4：一种模糊K均值聚类算法，对上述关键词进行聚类处理，其具体子步骤如下：步骤4.1利用基于ε领域的k-means算法初始化簇，筛选出k簇；步骤4.2:用值[0,1]间的随机数初始化隶属矩阵J，使其满足隶属的整个约束条件；步骤4.3：构建k类总目标函数J，综合隶属约束条件，构建m个方程组，对其进行求解，即可求出使总目标函数J最大的必要条件cj、wij；步骤4.4：根据判定函数wij、cj、Δ(J)的大小来确定迭代的结束；步骤5：根据企业具体情况，综合关键词效能优化和价值率优化，选择合适的关键词优化策略达到网站优化目标。本专利技术有益效果是：1，此算法可以精简关键词分析流程，进而减少整个网站优化工作量。2，此算法的运行时间复杂度低，处理速度更快。3、此算法具有更大的利用价值。4、能帮助网站在短时间内快速提升其关键词的排名。5、为企业网站带来一定的流量和询盘，从而达到理想的网站优化目标。6、此算法分类结果的准确度更符合经验值；7、综合考虑了两关键词间的本质属性和相似度，精确度更高，构造了相应的参数模型，简化了聚类过程。附图说明图1一种模糊K均值聚类算法实现搜索引擎优化技术结构流程图图2一种模糊K均值聚类算法在聚类分析中的应用流程图具体实施方式为了解决关键词优化实现搜索引擎优化的技术问题，结合图1-图2对本专利技术进行了详细说明，其具体实施步骤如下：步骤1：根据企业业务确定核心关键词，利用搜索引擎搜集相关关键字，这些关键字在搜索引擎中有相应数据项，如本国每月搜索量、竞争程度和估算每次点击费用(CPC)等步骤2：结合企业产品和市场分析，筛选降维上述搜索到的相关关键字集合；步骤3：针对筛选降维后的关键词集合，通过搜索引擎搜索关键词对应的页面，这里记录首页网页数和总搜索页面数，即每个关键词由五维向量再降维为四维的，其具体计算过程如下：这里相关关键词个数为m，既有下列m×5矩阵：Ni、Ldi、CPCi、NiS、NiY依次为第i个关键词对应的本国每月搜索量、竞争程度、估算每次点击费用(CPC)、首页网页数、总搜索页面数。再降维为四维，即Xi∈(1，2，…，m)为搜索效能，Zi∈(1，2，…，m)为价值率，即为下式：步骤4：一种模糊K均值聚类算法，对上述关键词进行聚类处理，其具体子步骤如下：步骤4.1：利用基于ε领域的k-means算法初始化簇，筛选出k簇；步骤4.2:用值[0,1]间的随机数初始化隶属矩阵J，使其满足隶属的整个约束条件；构建随机隶属矩阵J为m×k：wij为关键词i属于j类的程度系数，即j∈(1，2，…k)、i∈(1，2，…m)。隶属的整个约束条件为：步骤4.3：构建k类总目标函数J，综合隶属约束条件，构建m个方程组，对其进行求解，即可求出使总目标函数J最大的必要条件cj、wij，其具体计算过程如下：根据总目标函数J，构建带有m个约束式的拉格朗日算子方程组，即有下式：上式nεj为j类数据对象个数，为j类关键词x所对应的向量，为j类关键词y所对应向量，Δd为j类中两关键词的属性差值；上式h为数据对象属性个数，h＝4，为j类关键词xihj的均值，同理，为j类关键词yihj的均值。λi(i＝1，…，m)是m个约束式的拉格朗日算子，对上述式子进行求导，对所有输入参量求导，即可求得使J达到最大的必要条件cj、wij：这里的为类j簇中心，跟上面的不一样，为数据对象对应向量。步骤4.4：根据判定函数wij、cj、Δ(J)的大小来确定迭代的结束，其具体计算过程如下：Δ(J)＝Jnew-Jold＜θΔwij＜μΔcj＜γ上式Jnew为当前迭代的总目标函数值，Jold为上一次总目标函数值，Δwij为前后迭代的隶属变化值，Δcj为前后迭代的类中心变化值，θ、μ、γ为足够小的阈值。只有满足上述三个条件，则迭代结束，输出最佳聚类结果。步骤5：根据企业具体情况，综合关键词效能优化和价值率优化，选择合适的关键词优化策略达到网站优化目标。本文档来自技高网...

【技术保护点】
一种模糊K均值聚类算法实现搜索引擎优化技术，本专利技术涉及语义网络技术领域，具体涉及一种模糊K均值聚类算法实现搜索引擎优化技术，其特征是，包括如下步骤：步骤1：根据企业业务确定核心关键词，利用搜索引擎搜集相关关键字，这些关键字在搜索引擎中有相应数据项，如本国每月搜索量、竞争程度和估算每次点击费用

【技术特征摘要】
1.一种模糊K均值聚类算法实现搜索引擎优化技术，本发明涉及语义网络技术领域，具体涉及一种模糊K均值聚类算法实现搜索引擎优化技术，其特征是，包括如下步骤：步骤1：根据企业业务确定核心关键词，利用搜索引擎搜集相关关键字，这些关键字在搜索引擎中有相应数据项，如本国每月搜索量、竞争程度和估算每次点击费用等步骤2：结合企业产品和市场分析，筛选降维上述搜索到的相关关键字集合；步骤3：针对筛选降维后的关键词集合，通过搜索引擎搜索关键词对应的页面，这里记录首页网页数和总搜索页面数，即每个关键词由五维向量再降维为四维的，其具体计算过程如下：这里相关关键词个数为m,既有下列矩阵：、、、、依次为第i个关键词对应的本国每月搜索量、竞争程度、估算每次点击费用（CPC）、首页网页数、总搜索页面数再降维为四维，即为搜索效能，为价值率，即为下式：步骤4：一种模糊K均值聚类算法，对上述关键词进行聚类处理，其具体子步骤如下：步骤4.1：利用基于领域的k-means算法初始化簇，筛选出k簇；步骤4.2:用值[0,1]间的随机数初始化隶属矩阵J，使其满足隶属的整个约束条件；步骤4.3：构建k类总目标函数J，综合隶属约束条件，构建m个方程组，对其进行求解，即可求出使总目标函数J最大的必要条件、；步骤4.4：根据判定函数、、的大小来确定迭代的结束；步骤5：根据企业具体情况，综合关键词效能优化和价值率优化，选择合适的关键词优化策略达到网站优化...

【专利技术属性】
技术研发人员：金平艳，
申请(专利权)人：四川用联信息技术有限公司，
类型：发明
国别省市：四川,51