SEO高端操作手法之建立词库

关键词

1）词库搭建

• 关键词来源
  • 通过词根托词（定向）
    • 5118长尾词：https://ci.5118.com/1b49a5d8/
    • 爱站长尾词：https://ci.aizhan.com/8d5a94b1/
    • 相关搜索（包含词根的）轮循
    • 下拉框（包含词根的）轮循
    • 凤巢关键词

      

    • 5118树状规划图：https://plan.5118.com/

      竞争度：凤巢 > 5118&爱站 > 相关搜索&下拉
      稳定性：凤巢&5118&爱站 > 相关搜索&下拉
      
      定向关键词，竞争度较大
      

  • 通过网站托词（非定向）
    • 5118网站词库：https://www.5118.com/seo/baidupc/www.1688.com
    • 爱站网站词库：https://baidurank.aizhan.com/baidu/1688.com/
    • 遍历竞争对手网站地图：
      • tag页、专题页...sitemap
      • /tag/1/ /tag/2/ /tag/3/
      • ...

        跟领域相关，但有没有明确的词根

• 分类
  • 通过词根拓展的
    • 找出筛选条件

      

      筛选条件，可以作为网站栏目或筛选项

    • 找出搜索需求

      

      有找交流群的，有找新产品的，有问某个产品靠不靠谱的...

    • 根据筛选条件和搜索需求，批量生成大量词

        {贷款产品} + 口子 + 怎么样/是真的吗/入口/链接/贴吧..
        {贷款类型} + 口子 + 有哪些/大全...
      

  • 通过网站拓展的
    • 过滤出垃圾词
      • 与本站内容完全不相关的
      • 不符合社会主义核心价值观的
      • 重复的
    • 过滤方法
      • 与本站内容完全不相关的

        最简单的办法，通过搜索解决。每个词，搜索整站内容，如果没有搜索结果，则与本站内容不相关

      • 不符合社会主义核心价值观的

        命中黑名单

      • 重复的

        删掉停止词后，再分词后，词项完全一致的，保留一个

        原始词：
        北京公积金提取条件
        北京市公积金提取条件
        北京公积金的提取条件
        公积金北京提取条件
        
        停止词（stopword.txt）：
        的、{地区前缀}市...
        
        删除停止词：
        北京公积金提取条件
        北京公积金提取条件
        北京公积金提取条件
        公积金北京提取条件
        
        分词获取词项（jieba模块实现分词）：
        [北京, 公积金, 提取, 条件]
        [北京, 公积金, 提取, 条件]
        [北京, 公积金, 提取, 条件]
        [公积金, 北京, 提取, 条件]
        
        >>> 四个词的词项完全一致，保留一个词
        >>> 保留：北京公积金提取条件
        

    • 分类
      • 词向量

        http://ai.baidu.com/tech/nlp/word_embedding

        

        机器学习：tensorflow

      • 通过搜索
        • 网站每个栏目下，随机抽取几千篇文章标题
        • 依次给每个栏目的文章标题，创建索引
        • 用拓展词依次去搜索，每个栏目标题的索引，并记录搜索结果数量
        • 将该关键词，归类到搜索结果数最大的栏目下

          比如：
          1）网站有A、B、C、D四个栏目，各抽取5000篇文章，创建4个索引
          2）拓展关键词a，依次去搜索四个栏目文章的索引
          3）ABCD四个栏目的搜索结果数，依次是：90、80、56、109
          4）则拓展关键词a，归类到栏目D下
          

      • 打标签

        文章标签：http://ai.baidu.com/tech/nlp_apply/topictagger

        文章分类：http://ai.baidu.com/tech/nlp_apply/doctagger

2）关键词布局

解决网页 "塞什么词" 以及 "塞多少" 的问题，进一步解决，网页相似性的问题

2.1）TF-IDF计算

TF ＝ 某个词在文档中出现的次数 ／ 文档的长度

关键词： "黑户口子"
目标页：http://www.pcben.com/news/gonglue/11835.html

>>> 词项：['黑户', '口子']
>>> 文档字数：2104
>>> [黑户] 出现次数：19
>>> [口子] 出现次数：49

TF(黑户) = 19/2014 = 0.009
TF(口子) = 49/2104 = 0.023

IDF = log( 搜索引擎文档总数 / 出现某个词的文档总数 )

PS：log以2为底

搜索引擎文档总数：100000000
[黑户]文档总数：21400000
[口子]文档总数：36500000

IDF(黑户) = log(100000000/21400000) = 2.22
IDF(口子) = log(100000000/36500000) = 1.45

[黑户]的重要性是[口子]的1.5倍
>>> 网页多出现[黑户]，可以提高与[黑户口子]的相关性

TF-IDF(黑户口子) = TF(黑户)*IDF(黑户) + TF(口子)*IDF(口子) = 0.009×2.22 + 0.023×1.45 = 0.05

2.2）TF-IDF的意义

• 网页不见得内容越多越好。若布局不当，内容越多反而会稀释TF(keyword)的分值，从而降低这个词与这个网页的相关性
• IDF本质是一个词项的权重，降低文档中高频关键词的权重。所以网页中，玩命塞完整的关键词不见得好，但要多塞这个关键词中IDF最高的词项

    Case：[北京百度区块链工程师工资]的网页，若添加内链模块，以下哪个规则，对提升相关性，可能效果最好？
  
    词项：北京、百度、区块链、工程师、工资
  
    A. 调用北京地区，10个随机职位的工资链接（降低相似性，甚至降低排名）
    B. 调用北京地区，30个百度职位的工资链接（比A严重，降低相似性，降低排名）
    C. 调用北京地区，10个区块链工程师的工资链接（get）
    D. 调用北京地区，20个区块链工程师的招聘链接（get）
  

2.3）BM25计算

TF-IDF存在明显漏洞，因为SEO可以通过 [缩减页面内容量] 和 [堆砌IDF高的词项] 来拉高关键词与网页的相关性

因此现在采用的都是BM25算法，在TF-IDF基础上，添加了3个参数：

• 常量K：用来限制TF值的增长极限，TF值永远在 [0 ~ K+1] 之间
• 参数L：文档长度与平均长度的比值，如果文档长度是平均长度的2倍，则L＝2
• 常数b：用来规定L对评分的影响有多大

Elasticsearch里，K默认1.2，b默认0.75

$text{公式} = 权重(IDF)×相关性 = sum_{i=1}^ntext{IDF}(keyword)cdotleft[frac{TF(keyword)cdotleft(k+1right)}{TF(keyword) + kcdotleft(1-b+bcdotfrac{当前文档的字数}{整个文档库的平均字数}right)}right]$

2.4）BM25的意义

• 增加了文档长度对相关性的影响。文档越短，相关性会比用TF计算的值更低，减少通过 [缩减页面内容量] 对相关性计算的干扰
• 增加了对TF极限值的限制，减少通过 [堆砌IDF高的词项] 对相关性计算的影响
• 只是影响而已，[缩减页面内容量] 和 [堆砌IDF高的词项] 还是有用的，注意尺度
•  BM25同样作用于title