「seo排名点击器」SEOer应善用索引创建过程中的加权方法(图文)

搜索引擎会给予每一个页面一定的权重值,这个值也会随着页面的更新和时间地流逝而改变。

今天,推外排名seo优化软件为大家带来的是《SEOer应善用索引创建过程中的加权方法》。希望对大家有所帮助。

一、索引创建中的权值

搜索引擎蜘蛛的爬行与抓取,页面的收录与索引,是一个页面能够在用户搜索关键词时能够获得展现的几个基本步骤,其中索引创建中包含着对页面内容本身的加权因素。

① 索引项权值概念

索引项的权值,在一定程度上反应了文档中词的相对重要性,这个值通常用于索引排序过程中计算分值,也就是影响搜索引擎排序的重要因素之一。

② 索引项权值怎么得来的?

索引项权值,是由检索模式中的加权组件利用文档统计结果来计算得出的。

③ 索引项加权方法

传统的检索模式中最常见的加权方法:TF-IDF算法。

二、TF-IDF算法

① TF-IDF算法定义

TF-IDF算法,基于索引项出现在一个文档中的次数或频率,以及索引项在整个文档集合中出现的频率,两者的组合(或者说两者的乘积)。

② TF-IDF算法中词的解析

1)TF

次数和频率称之为词频,英文简称为tf。

2)IDF

索引项在整个文档集合中出现的频率,称之为范文档频率,英文简称为idf。

③ TF-IDF算法的简单说明

TFIDF的核心思想,是指某个词或某个短语在一篇文档中出现的频率高,并且在索引库的其他文档中出现较少,就认为这个词或短句有很好的类别区分能力,可以用来进行分类。

简单来讲,某个词或某个短语就是索引词,对于这篇文章而言,该词项将被赋予较高的权值。

打个比方说,“TWNM-SEO”这个短语完全是小小课堂网提出的,在《全网营销SEO【TWNM-SEO】这就是属于我的网站优化》一文中,这个短语出现的频率非常高,同时,在此之前也没有其他人提到过这个短语,那么对于这篇文档来讲,该词项“TWNM-SEO”就被赋予了很高的权值。

三、理解并使用TF-IDF算法

对于SEOer来讲,了解上面的知识已经足够了,没必要非得知道是用哪个函数,哪个公式算出来的结果。

其实,通过TF-IDF算法的学习,我们可以更好理解一些常识性的SEO知识。

① 品牌词容易优化

品牌词一般是自己创造的,满足TF值大,同时IDF值大,页面加权高,自然排名很容易。

② 行业核心词难优化

无数网站都在优化这同一个词,然而首页的位置却是有限的,大家都满足TF大,但同样IDF越小,证明这个词越难优化。

这也就是平时在判断关键词优化难度时,为什么将百度搜索的相关结果数作为优化难度之一的原因。

③ 多挖掘没有百度指数的关键词-降低优化难度

行业中有百度指数的词,大家都在做优化与排名,这样的词不光是竞争压力大,可能还带不来多少点击。因为百度指数可能是100,真实用户也许只有2个,另外的98个都是企业的竞争者们。

我们应该挖掘一些没有百度指数的词,但是需要这次保持一定的搜索量,这样可以保证降低优化难度的同时,带来更多真实流量。

④ TF并不是万能!过度堆积害处大!

根据TF-IDF算法,很多人会想,增加关键词密度或频率,以增加TF值,从而获得更好的排名。然而,这种做法可以适当做,但超过一定度的话,没什么好处,反而可能会因为过度堆积被搜索引擎降权!

所谓的2%~8%的关键词密度只是个大概范围,很多排名好的页面很多都在2%一下,当然也有在8%以上的,只要密度不是过小,不必过度在乎这个。

举个例子,已经是5%的密度了,非要故意堆积到8%,甚至百分之20%,就会变得非常没有意义。这是对TF高的一种误解。

也就是我们能够根据TF-IDF算法中得到的启发是不应该让关键词的密度或频率(TF)过低,然而对于IDF来说,我们只能通过寻找IDF值高的关键词来优化,如果我们优化的关键词的IDF值本来就很低,我们也不能对其改变这个现状,IDF值越低,证明这个词在一定程度上就越难优化。

所以,在网站优化过程中,除了要做好页面外,还需要关注内链与外链优化。

四、TF-IDF算法公式

① TF公式

TF(i,j):关键词j在文档i中的出现频率。

n(i,j):关键词j在文档i中出现的次数。

举例来讲:

一篇文章总共100个词,其中“SEO培训”一共出现了10词,那么TF就是10/100,结果就是0.1。

然而,由于文章中会出现大量的“的”、“得”、“吗”、“地”,不能正常反应文章的词,所以,就得用IDF来做一个限制了。

② IDF公式

IDF(i):词语i的反文档频率

|D|:语料库中的文件总数

|j:t(i)属于d(j)|出现词语i的文档总数

+1是为了防止分母变0。

IDF就可以防止常用词的干扰了。

还是刚才的例子:

一篇文章总共100个词,其中“SEO培训”一共出现了10词,那么TF就是10/100,结果就是0.1。

另外“我们”一共出现了10词,其TF结果也是0.1。

假设语料库总共有1000篇文章,其中“SEO培训”文章有10篇,“我们”文章有1000篇。

“SEO培训”的IDF=log(1000/10)= 2

“我们”的IDF=log(1000/1000)= 0

③ TF-IDF公式

TF-IDF = TF*IDF

“SEO培训”的TF*IDF=0.1*0=0

“我们”的TF*IDF=0.1*2=0.2

那么很显然,对于这篇文章而言,“SEO培训”比“我们”更加重要。