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
复制竞争度：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，批量生成大量词复制{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
复制原始词：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复制比如：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、1094）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
复制解决网页“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
复制关键词：“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
复制搜索引擎文档总数：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
复制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
$\text{公式} = 权重(IDF)×相关性 = \sum_{i=1}^n\text{IDF}(keyword)\cdot\left[\frac{TF(keyword)\cdot\left(k+1\right)}{TF(keyword) + k\cdot\left(1-b+b\cdot\frac{当前文档的字数}{整个文档库的平均字数}\right)}\right]$
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
