干貨內容:seo清洗百萬(wàn)長(cháng)尾詞數據的策略

　　前言

　　要不是有CEO主動(dòng)找了高薪SEO的人坐飛機過(guò)來(lái)，說(shuō)實(shí)話(huà)，很多SEO人員在公司都是“弱勢群體”。

　　絕大多數普通seo人員在公司和跨部門(mén)溝通中沒(méi)有多少相應的話(huà)語(yǔ)權，有很多細節無(wú)法協(xié)調。

　　在這樣的環(huán)境下，seoer要想做好，就必須充分發(fā)揮自己的主觀(guān)能動(dòng)性，千方百計去完成那些表面上不值一提，暗地里卻又不可避免的事情。

　　問(wèn)題

　　seo和sem需要在全網(wǎng)大量挖掘長(cháng)尾詞，但是*敏*感*詞*的長(cháng)尾詞注定會(huì )帶來(lái)一些數據清洗工作。在大多數情況下，清理工作可以在 Excel 中完成，但也有很多情況。Excel很難處理，比如：

　　這是從第三方關(guān)鍵詞工具下載的詞根“drainage”的長(cháng)尾詞數據，但是遇到了一個(gè)尷尬的問(wèn)題。詞根“drainage”有同義詞但場(chǎng)景不同，所以會(huì )導致挖掘出很多不相關(guān)的長(cháng)尾詞：

　　事實(shí)上，這種情況很常見(jiàn)。單個(gè)詞往往不可避免地與其他場(chǎng)景混淆，例如：

　　水果中的“蘋(píng)果”、手機中的“蘋(píng)果”和電影中的“蘋(píng)果”，是一個(gè)形同字義卻截然不同的詞。單純的用詞根挖詞，自然會(huì )挖出很多非目標的長(cháng)尾詞。

　　類(lèi)似的情況還有很多，那么問(wèn)題來(lái)了：剔除非目標長(cháng)尾詞是必須的。這樣的細枝末節在seo工作中做好是理所當然的事情。老板一來(lái)不會(huì )幫我們做，二來(lái)也不會(huì )指派我們去做。如果這是一個(gè)百萬(wàn)級別的長(cháng)尾詞數據，在Excel中全部篩選淘汰，這個(gè)項目可能已經(jīng)過(guò)時(shí)了。

　　面對如此雜亂的長(cháng)尾詞數據，如何進(jìn)行高效的過(guò)濾篩選？

　　今天的文章是一篇完全基于技術(shù)的內容，但是對于不懂技術(shù)的朋友，強烈推薦完整閱讀。有兩點(diǎn)：

　　技術(shù)是另一種思維方式。不是技術(shù)的朋友，可以看看技術(shù)人員遇到問(wèn)題是怎么處理的。

　　在“網(wǎng)絡(luò )營(yíng)銷(xiāo)”工作中，有很多工作超出了我們的能力范圍，但是充分發(fā)揮我們的主觀(guān)能動(dòng)性，做出超出這個(gè)崗位應有的能力水平，往往會(huì )帶來(lái)額外的收獲。

　　開(kāi)始

　　前段時(shí)間接手了一個(gè)采集

項目（只是熟人之間的合法生意）。隨著(zhù)收錄量的增加，“敏感詞過(guò)濾”的工作在所難免，比如政治、*敏*感*詞*、暴力、廣告等，這些相關(guān)的詞都要被識別出來(lái)。

　　目前市面上能搜集到的敏感詞庫，如果只是整合幾份的話(huà)，可以達到幾萬(wàn)甚至更多，因為隨著(zhù)時(shí)間的推移，會(huì )產(chǎn)生各種新的詞匯。

　　使用程序識別一篇文章是否收錄

目標敏感詞，以Python為例：

　　refusalWord = '敏感詞'

targetText = '內容正文'

if refusalWord in target_text:print(True)

　　讓程序在目標文本中搜索這個(gè)敏感詞。如果找到，則說(shuō)明存在敏感詞。這是只有一個(gè)敏感詞的情況。如果有多個(gè)敏感詞，也簡(jiǎn)單。添加一個(gè)循環(huán)：

　　refusalWord = ['敏感詞1','敏感詞2','敏感詞3']

targetText = '內容正文'

for word in refusalWord:

if word in target_text:print(True)

　　該程序在目標文本中逐一搜索敏感詞。如果有幾百個(gè)敏感詞，一個(gè)一個(gè)重復處理，效率很低，感覺(jué)不是很優(yōu)雅。正則表達式可以做得很簡(jiǎn)潔：

　　import re

refusalWord = ['敏感詞1','敏感詞2','敏感詞3']

targetText = '內容正文'

if re.search('|'.join(refusalWord),targetText):print(True)

　　所有敏感詞用“|”連接 組成一個(gè)正則表達式：“敏感詞1|敏感詞2|敏感詞3”，用這個(gè)表達式匹配目標文本，找出所有出現的敏感詞。

　　但是如果有幾萬(wàn)個(gè)甚至更多的敏感詞怎么辦？了解正則表達式的朋友都知道，這樣寫(xiě)的表達式極不合理，可能會(huì )出現各種各樣的問(wèn)題。

　　而且，當敏感詞數以萬(wàn)計或更多時(shí)，效率會(huì )線(xiàn)性下降。加上后期更換等其他工作，時(shí)間成本會(huì )更高。

　　而且，我們之前的演示只是針對只有一個(gè)目標文本的情況。如果敏感詞個(gè)數為N，目標文本為M怎么辦？在簡(jiǎn)單的雙循環(huán)的情況下，時(shí)間復雜度至少是N*M。

　　這時(shí)候就需要用到我們今天的主角了：“交流自動(dòng)機”算法。

　　PS：不懂技術(shù)的朋友不用糾結代碼，只需要明白這是一個(gè)方案優(yōu)化的問(wèn)題。我們在面對敏感詞從1到N到N++的過(guò)程中不斷優(yōu)化技術(shù)方案，提高效率。

　　AC自動(dòng)機算法是一種多模匹配算法。算法的高明和深奧，不是我們這種非科學(xué)的人可以去探究的，但是算法的意義和不同，我們還是可以理解的。

　　在上面的例子中，即使是非技術(shù)的朋友也會(huì )明白，隨著(zhù)敏感詞庫數量的不斷增加，程序會(huì )判斷一篇文章是否收錄

某個(gè)詞或敏感詞庫中的某些詞，時(shí)間成本會(huì )逐漸增加。是的，因為無(wú)意義的判斷越來(lái)越多，所以這是一個(gè)單一的模式。

　　AC自動(dòng)機通過(guò)使用多模匹配算法來(lái)解決這個(gè)問(wèn)題，也就是說(shuō)：隨著(zhù)敏感詞庫的增加，時(shí)間成本保持不變（至少在一定數量級內）。

　　那么這與我們正在談?wù)摰?關(guān)鍵詞 清理有什么關(guān)系呢？下面我們一步一步來(lái)演示。

　　第一步：選擇一個(gè)有代表性的詞根

　　這是一個(gè)擁有數十萬(wàn)詞的“引流”長(cháng)尾詞庫。里面有兩種長(cháng)尾詞，網(wǎng)絡(luò )推廣相關(guān)的長(cháng)尾詞和醫療技術(shù)相關(guān)的長(cháng)尾詞。我們的目的是將這兩類(lèi)長(cháng)尾詞分開(kāi)。

　　在Excel中，面對這樣一條數據，需要將兩邊分開(kāi)，即過(guò)濾掉目標或者過(guò)濾掉非目標再剔除。我們先來(lái)考慮一下一般的操作方法是怎樣的：

　　逐行讀取，標記非目標數據，然后過(guò)濾掉全部刪除，但是對象有幾十萬(wàn)，甚至更多。這效率可想而知。能一行一行念下去，是個(gè)兇人。

　　選擇一些高頻的非目標詞或詞，然后過(guò)濾掉，反復重復這個(gè)操作。這種方法看起來(lái)很快，一次可以消除一大片區域。

　　但是如果你充分理解了關(guān)鍵詞的長(cháng)尾效應，你就會(huì )明白這個(gè)方法在后期會(huì )比較痛苦，因為很多選中的詞在后期不會(huì )刪除很多詞，反復篩選和刪除會(huì )讓人崩潰。

　　另外，在Excel上似乎沒(méi)有更好的方法來(lái)處理這樣的問(wèn)題，現在我們用另一種方法來(lái)解決這個(gè)問(wèn)題。

　　和往常一樣，先把所有的長(cháng)尾詞切分，統計詞頻：

　　接下來(lái)，需要根據“常識”人工選擇具有代表性的“類(lèi)別*敏*感*詞*根”?！芭c醫療技術(shù)相關(guān)的詞被選擇并放在另一個(gè)文件中。

　　所謂“明明而已”，比如：“腳本”，也就是腳本工具，這樣的詞基本不可能和醫療技術(shù)的長(cháng)尾詞有任何關(guān)系，而“傷口”基本不可能與互聯(lián)網(wǎng)推廣有任何關(guān)系。什么關(guān)系。

　　所謂“常識”，比如：經(jīng)常有一些與網(wǎng)絡(luò )推廣相關(guān)的平臺名稱(chēng)，比如知乎、微信、淘寶等，這些想都沒(méi)想就直接寫(xiě)了。

　　所以在選擇的時(shí)候一定要確定這個(gè)詞的歸屬是否明確。如果它是模糊的，我寧愿不要！

　　前者被視為“正”，后者被視為“負”?！罢笔俏覀兡繕碎L(cháng)尾詞的代表詞根。選擇多少？同樣，關(guān)鍵詞 符合 28 原則。

　　我們可以看到，top root 詞出現的頻率非常高，一個(gè)詞根可以牽連到很多長(cháng)尾詞。我只從幾十萬(wàn)個(gè)長(cháng)尾詞中選出了一百八十個(gè)這樣的長(cháng)尾詞。

　　即使長(cháng)尾詞的數量增加了 10 倍，也不會(huì )有更多的代表詞根可供選擇。

　　第 2 步：擴展代表根

　　我們選擇這些*敏*感*詞*詞的目的很簡(jiǎn)單：在將“正面”*敏*感*詞*詞納入詞庫時(shí)，可以從肯定是目標類(lèi)別的長(cháng)尾詞中篩選出“正面”*敏*感*詞*詞。上面我們選擇了“WeChat”作為*敏*感*詞*詞，我們認為它只可能出現在與互聯(lián)網(wǎng)推廣相關(guān)的長(cháng)尾詞中，所以可以通過(guò)取“WeChat”過(guò)濾掉所有收錄

“WeChat”的長(cháng)尾詞進(jìn)入詞庫。這些與網(wǎng)絡(luò )推廣有關(guān)：

　　長(cháng)尾詞一般具有以下特點(diǎn)：

　　微信引流腳本開(kāi)發(fā)

　　對于這樣的長(cháng)尾詞，我們通過(guò)“微信”進(jìn)行提取。除了詞根“drainage”，因為這個(gè)長(cháng)尾詞與網(wǎng)絡(luò )推廣有關(guān)，其他詞根很可能與網(wǎng)絡(luò )推廣有關(guān)。比如這里的“Scripts”和“development”是絕對不可能和醫療技術(shù)相關(guān)的，反之亦然：

　　膿腫切開(kāi)引流

　　我們從*敏*感*詞*詞“surgery”中得到，分詞“abscess”和“incision”與網(wǎng)絡(luò )推廣的可能性不大，可以作為新的*敏*感*詞*詞加入“anti”的范疇。

　　這時(shí)候思路就清晰了。我們首先選取一些有代表性的*敏*感*詞*詞，用這些*敏*感*詞*詞過(guò)濾出所有相關(guān)的長(cháng)尾詞，然后將這些選取的長(cháng)尾詞進(jìn)行分割，利用關(guān)鍵詞的關(guān)聯(lián)，得到更多我們沒(méi)有得到的*敏*感*詞*詞在上一步中選擇目標分類(lèi)。

　　所有這些*敏*感*詞*詞都是我們后續分類(lèi)的基石。

　　

" />

　　用這個(gè)思路其實(shí)解決了關(guān)鍵詞的長(cháng)尾效應問(wèn)題。我們不能一個(gè)一個(gè)地手動(dòng)選擇*敏*感*詞*詞，通過(guò)關(guān)聯(lián)自動(dòng)采集

更多我們沒(méi)有手動(dòng)選擇的*敏*感*詞*詞。

　　這些*敏*感*詞*詞可以幫助我們覆蓋更多的長(cháng)尾詞。

　　PS：這是一個(gè)示范思路。篩選必須由程序批量處理，不能在 Excel 上進(jìn)行。

　　這一步需要對提取出來(lái)的*敏*感*詞*詞計算各自的詞頻，并對應保存，后面會(huì )有用。

　　比如我們用“positive”*敏*感*詞*詞來(lái)過(guò)濾所有的長(cháng)尾詞，所有這些長(cháng)尾詞在分詞后得到所有的根。這段長(cháng)尾詞（這些被選中的）中每個(gè)詞根的總詞頻是多少。

　　第三步：篩選代表詞根

　　至此，我們其實(shí)就可以開(kāi)始區分了，不過(guò)還有一些細節需要優(yōu)化：

　　1：通過(guò)第二步的自動(dòng)擴容，某個(gè)*敏*感*詞*詞會(huì )同時(shí)出現在“正面”和“負面”中，比如“video”。

　　這個(gè)詞出現在與互聯(lián)網(wǎng)推廣相關(guān)的長(cháng)尾詞中并不奇怪，但實(shí)際上它也會(huì )出現在醫療技術(shù)“引流”的長(cháng)尾詞中：

　　對于這種情況，我們其實(shí)可以考慮一個(gè)問(wèn)題，是偶然的還是正常的。比如“視頻”這個(gè)詞，兩邊經(jīng)常出現，所以干脆不用，也就是完全沒(méi)有代表。性別。

　　如果是偶然的，比如“艾滋病”，那也是奇跡?？吹皆~庫里的一個(gè)長(cháng)尾詞：

　　賣(mài)艾滋病試紙促進(jìn)引流

　　除了這個(gè)，其他都是醫學(xué)的，所以這是偶然的。對比我們第二步保留的詞頻，哪一邊顯得壓倒性的大，保留那一邊的*敏*感*詞*詞，另一邊直接去掉。

　　如果數據相差不大，那么雙方都會(huì )直接去掉這個(gè)無(wú)偏*敏*感*詞*詞。

　　根據我的經(jīng)驗，對于這些事故中的大多數，它們之間的詞頻比較相差很大。

　　2：詞匯無(wú)偏好，數字，字符，這些都是無(wú)偏好的，不應該用作*敏*感*詞*詞。

　　其次，類(lèi)似于：應該、如何、可能、可以、的、是、和？這些副詞、助詞、連詞、語(yǔ)氣助詞、疑問(wèn)句等，沒(méi)有傾向性。分詞時(shí)，直接按照jieba的詞性進(jìn)行剔除：

　　經(jīng)過(guò)這一步過(guò)濾后，詞頻數據就可以省略了。當然，每一個(gè)“引”字，都要有主根，都要去掉！

　　第 4 步：快速分類(lèi)

　　現在我們將上面計算出的*敏*感*詞*詞作為關(guān)鍵詞。其實(shí)這個(gè)和我們上面說(shuō)的集合例子是一樣的。這些*敏*感*詞*詞相當于敏感詞，每個(gè)待分類(lèi)的長(cháng)尾詞相當于目標文本內容。

　　傳統的Python使用方式是這樣的：

　　# 正

seed_word_r = []

# 反

seed_word_e = []

# 詞庫

keyword = []

for word in keyword:

for r in seed_word_r:

if r in word:

pass

for e in seed_word_e:

if e in word:

pass

　　把每個(gè)長(cháng)尾詞拿出來(lái)，每個(gè)*敏*感*詞*詞和它比對一次，看是否收錄

，然后確定分類(lèi)。

　　如果有N個(gè)長(cháng)尾詞，則外層循環(huán)會(huì )執行N次，如果有M個(gè)詞，則N中每個(gè)詞收錄

M次，執行成本可想而知。

　　另外，幾萬(wàn)個(gè)甚至更多的詞根與一個(gè)只有10個(gè)字左右的長(cháng)尾詞進(jìn)行比較，勢必會(huì )有太多無(wú)意義的比較。

　　這時(shí)可以使用AC自動(dòng)機算法：

　　import ahocorasick

# 正

seed_word_r = ['*敏*感*詞*詞1','*敏*感*詞*詞2','*敏*感*詞*詞3','*敏*感*詞*詞4']

tree = ahocorasick.AhoCorasick(*seed_word_r)

print(tree.search('長(cháng)尾詞'))

　　如上面代碼，我們將*敏*感*詞*詞（敏感詞）傳給AC自動(dòng)機建立一個(gè)模型，然后這個(gè)模型可以計算出當前長(cháng)尾詞（目標文本內容）是否收錄

模型中的一些詞，以及display 所有出現的詞都出來(lái)了。

　　這種計算并不是像上面的方法那樣，內外循環(huán)*敏*感*詞*的比較。

　　因此，在做了上面的長(cháng)尾詞分類(lèi)工作之后，你可以：

　　import ahocorasick

# 正

seed_word_r = ['*敏*感*詞*詞1','*敏*感*詞*詞2','*敏*感*詞*詞3','*敏*感*詞*詞4']

# 反

seed_word_e = ['*敏*感*詞*詞1','*敏*感*詞*詞2','*敏*感*詞*詞3','*敏*感*詞*詞4']

# 詞庫

keyword = []

# 構建

tree_r = ahocorasick.AhoCorasick(*seed_word_r)

tree_e = ahocorasick.AhoCorasick(*seed_word_e)

# 遍歷

for word in keyword:

r = tree_r.search(word)

e = tree_e.search(word)

pass

　　每次都把長(cháng)尾詞傳給兩邊，瞬間得到兩邊長(cháng)尾詞的收錄

，pass部分用于針對性判斷。

　　可預見(jiàn)的結果如下：

　　1：長(cháng)尾詞只屬于“positive”或者只屬于“negative”，那就很簡(jiǎn)單，就屬于對應的類(lèi)別。

　　2：如果一個(gè)長(cháng)尾詞不屬于“positive”或“negative”，則先將這種情況歸為一類(lèi)保存。

　　3：某個(gè)長(cháng)尾詞既屬于“正面”又屬于“負面”，需要進(jìn)一步判斷。我們把這種詞歸為一類(lèi)保存起來(lái)。

　　r和e都是集合數據結構，根據交集和并集組合的長(cháng)度判斷歸屬。

　　

" />

　　w1不賦值，w2同時(shí)賦值，w3是“positive”類(lèi)別，也就是我們要的與網(wǎng)絡(luò )推廣相關(guān)的長(cháng)尾詞，w4是“reverse”，與網(wǎng)絡(luò )推廣相關(guān)的長(cháng)尾詞到我們不想要的醫療技術(shù)。

　　3、4的內容不會(huì )有問(wèn)題，如果偶爾分類(lèi)不準確，找出不準確的詞匯，追溯其*敏*感*詞*詞。這一定是*敏*感*詞*詞的錯誤選擇。

　　刪掉重新運行代碼即可，所以在開(kāi)始手動(dòng)選擇的時(shí)候，一定要選擇明確的歸屬地，不能含糊其辭。

　　但是我們看到w2，也就是同時(shí)還有1.9M屬于它，打開(kāi)看看：

　　還有6W多的記錄無(wú)法確定分類(lèi)（截圖沒(méi)有完整展示，懶得再截了）。雖然按比例來(lái)說(shuō)，我們已經(jīng)分類(lèi)了80%，但是超過(guò)6W還是很多的。

　　既然都是同時(shí)判斷屬于的，也就是兩邊都能匹配到，那我們就隨機取一個(gè)詞到原程序中，再跑一遍，看兩邊匹配的是什么。

　　闌尾炎引流管每日引流

　　這是一個(gè)與醫療技術(shù)相關(guān)的長(cháng)尾詞。程序運行后，這個(gè)長(cháng)尾詞的結果是：

　　正面：交通

　　逆位：闌尾，闌尾炎，引流，引流管，引流

　　這是長(cháng)尾詞在*敏*感*詞*詞中命中的詞，所以顯然程序沒(méi)有問(wèn)題，因為詞流量出現在與互聯(lián)網(wǎng)推廣相關(guān)的長(cháng)尾詞中是正常的。

　　但是這個(gè)詞跟醫療有關(guān)，我們還是希望它能被判“反”，怎么辦呢？

　　還是要用到概率的思維，結合我們上面說(shuō)的相關(guān)性，一個(gè)長(cháng)尾詞屬于哪個(gè)領(lǐng)域，分詞后的詞屬于這個(gè)領(lǐng)域的可能性很大。

　　所以我們從上面可以看出，這個(gè)長(cháng)尾詞中命中“anti”的*敏*感*詞*詞數量遠遠超過(guò)命中“positive”的*敏*感*詞*詞。，我們可以直接獎勵人數最多的一方。

　　優(yōu)化程序判斷后，結果為：

　　可以看到w2從1.9M下降到300+kb，w3和w4都有明顯的增加，因為更多的詞被分類(lèi)了。

　　可以看到w2中有10000多個(gè)詞條。對于專(zhuān)門(mén)和Excel打交道的seo或者sem人員來(lái)說(shuō)，這樣的數據量，反復操作幾次就可以很快整理出來(lái)。

　　但其實(shí)如果你愿意，這個(gè)還是可以?xún)?yōu)化的。w2會(huì )有這么多，很大一部分原因是準確分詞的問(wèn)題。有興趣的可以自行研究?jì)?yōu)化方案。

　　對于未提及的 w1：

　　我故意把它截短了一點(diǎn)。為什么這些詞不屬于任何一方？看完之后我就明白了。事實(shí)上，這類(lèi)詞已經(jīng)超出了長(cháng)尾詞的范疇。去掉“引流”，去掉不傾斜的詞后，基本就沒(méi)有詞了。是時(shí)候做出判斷了。

　　這種詞結構非常簡(jiǎn)單。如果確實(shí)需要，可以在Excel中快速整理。

　　最后放上w3和w4的數據：

　　總共有15W+的長(cháng)尾詞，這就是我們需要的數據！

　　總共有30W+的長(cháng)尾詞，這是我們不需要的數據！

　　交流自動(dòng)機

　　# pip install ahocorasick-python

import ahocorasick

t1 = time.time()

ac = ahocorasick.AhoCorasick(*seed_word)

t2 = time.time()

rw = []

print(t2-t1)

for word in keyword:

sw = ac.search(word)

for i in sw:

word = word.replace(i,'***')

rw.append(word)

t3 = time.time()

print(t3-t2)

rw = []

t1 = time.time()

for word in keyword:

for i in seed_word:

if i in word:

word = word.replace(i,'***')

rw.append(word)

t2 = time.time()

print(t2-t1)

　　我用的是AC Automata的第三方模塊，算法效率還是不錯的，一共5W詞匯和50W目標文本，傳統方式共耗時(shí)1450秒，使用AC Automata，構建耗時(shí)20秒，但這是一次性的 具體來(lái)說(shuō)，判斷加替換是100秒。

　　其實(shí)無(wú)論是*敏*感*詞*詞聯(lián)想的思想還是AC自動(dòng)機算法，一個(gè)不恰當的類(lèi)比類(lèi)似于將線(xiàn)性問(wèn)題轉化為指數問(wèn)題（這個(gè)表達式可能有問(wèn)題），時(shí)間成本不會(huì )機械地增加隨著(zhù)數據量的增加。上升。

　　敏感詞過(guò)濾等問(wèn)題還有其他解決方案，比如DFA，解決方案沒(méi)有標準，只有適合自己的。

　　結語(yǔ)

　　如何大量剔除不相似的長(cháng)尾詞，我在之前的公眾號付費文章中也給出了解決方案，但是需要網(wǎng)絡(luò )數據做支撐判斷，而且這個(gè)是完全本地化的，相對來(lái)說(shuō)更經(jīng)濟。

　　這個(gè)工作一般不會(huì )超過(guò)半個(gè)小時(shí)，得益于“用*敏*感*詞*詞帶出更多*敏*感*詞*詞”的思路，“根據概率判斷歸屬”的邏輯，以及“AC自動(dòng)機算法”的高效，會(huì )有幾十萬(wàn)和幾百萬(wàn)的處理時(shí)間相差不大，程序真正的計算時(shí)間不到10分鐘。

　　雖然我們絞盡腦汁，用了很多策略來(lái)完成這樣的工作，但當我們第一次完成它時(shí)，我們可能會(huì )感到有些自豪。

　　但實(shí)際上就價(jià)值而言，這是一個(gè)甚至不值得對外談?wù)摰墓ぷ黜椖?，因為它不是具體的結果指標。

　　在外人看來(lái)，這就是你立足的基礎，也確實(shí)如此。

　　另外，可能有朋友覺(jué)得用AC自動(dòng)機算法和普通方法相比，幾十萬(wàn)字的時(shí)間差相差不大，不亞于程序計算的幾十分鐘。

　　沒(méi)錯，整個(gè)過(guò)程沒(méi)有標準的步驟或解決方案。我只是想傳達一個(gè)工作方法。遇到很多難題時(shí)，發(fā)散思路，換個(gè)角度。其實(shí)有很多思路可以解決。.

　　同時(shí)，對于懂技術(shù)的朋友來(lái)說(shuō)，與傳統方法相比，使用AC自動(dòng)機只是寫(xiě)幾行代碼而已，但好處不僅限于這些。多學(xué)一門(mén)技術(shù)可以解決很多同類(lèi)問(wèn)題。

　　對于上面提到的采集項目，我可以使用AC自動(dòng)機來(lái)處理敏感詞和文章的不斷增加。下一階段我會(huì )在這個(gè)采集項目上做另外一個(gè)工作：篩選目標領(lǐng)域的內容。

　　在目標集合源中，并不是所有的內容都一定是我們目標字段的內容?？赡軙?huì )有很多無(wú)關(guān)緊要的內容。對于不相關(guān)的內容，當然是選擇丟棄，不存儲。

　　因此需要設計一個(gè)簡(jiǎn)單的判斷邏輯，類(lèi)似推薦算法給文章打標簽，判斷當前內容是否屬于目標領(lǐng)域，如果不屬于則不采集，減少人工審核的工作量。是最高的。

　　所以：我覺(jué)得默默地啃這些棘手的問(wèn)題，目前看來(lái)是吃虧的，但在以后的工作中，肯定會(huì )帶來(lái)更多的“復利”。

　　PS：很多做長(cháng)尾詞數據處理的朋友跟我說(shuō)不知道怎么清洗。過(guò)段時(shí)間會(huì )寫(xiě)類(lèi)似的工具，放到公眾號上。

　　推薦文章:刷百度關(guān)鍵詞排名 網(wǎng)站排名

　　平頂山新廣網(wǎng)絡(luò )科技*敏*感*詞*

　　優(yōu)化原則：

　　整站優(yōu)化的原則是將高質(zhì)量的數據反饋給百度，從而提高網(wǎng)站排名、字數和流量。比如增加蜘蛛的爬行量，增加外鏈數量，站點(diǎn)等級，優(yōu)化蜘蛛的爬行速度等，進(jìn)而提升關(guān)鍵詞排名，首頁(yè)排名字數和交通。

　　效果特點(diǎn)：

　　1、整體提升百度排名效果顯著(zhù)；

　　2、完全符合百度排名規則，沒(méi)有；與常規SEO相比，提升更快，排名效果直接，大部分直接上**，一批一批排名，不是一個(gè)一個(gè)排名；

　　3、與常規SEO相比，成本非常低。

　　全站自動(dòng)提取百度排名，手機端也可以同時(shí)上傳單詞，但不計入單詞數！換句話(huà)說(shuō)，手機上的排名是一個(gè)禮物！

　　收費規則：真正的按效果付費

　　以愛(ài)站網(wǎng)基礎查詢(xún)數據為基礎，根據當前總字數確定首頁(yè)單價(jià)和低增長(cháng)數量。

　　費用達到上限后，將支付任何額外的字數。

　　1、整站優(yōu)化的原則是什么？

　　答：整站優(yōu)化的原則是將優(yōu)質(zhì)數據反饋給百度，從而提高網(wǎng)站排名、字數和流量。比如增加蜘蛛的爬行量，增加外鏈數量，站點(diǎn)等級，優(yōu)化蜘蛛的爬行速度等，進(jìn)而提升關(guān)鍵詞排名，首頁(yè)排名字數和交通。

　　2、首頁(yè)添加的關(guān)鍵詞從何而來(lái)？是長(cháng)尾詞嗎？有索引還是沒(méi)有索引？

　　A：首頁(yè)添加到當前*知名頁(yè)面的關(guān)鍵詞和頁(yè)面SEO布局的關(guān)鍵詞相關(guān)性高但沒(méi)有排名；批量?jì)?yōu)化，提升到首頁(yè)，結算標準是參考愛(ài)站數據，這些詞都是索引至少50以上的詞，否則愛(ài)站詞庫不收錄。

　　3、我可以指定關(guān)鍵詞被提升到首頁(yè)嗎？

　　答：第一步是生成詞，對沒(méi)有排名的詞進(jìn)行排名；第二步，將已經(jīng)排名的詞推廣到首頁(yè)?？蛻?hù)可以提交一些詞給我們，但需要排名，在優(yōu)化范圍內。正常流程是前期增加總字數，后期再增加到首頁(yè)**的字數。

　　4.我可以?xún)?yōu)化字數嗎？

　　答：整站優(yōu)化是真正的按效果付費，你加多少字就收多少。我們在優(yōu)化上是認真的，毫無(wú)保留的。我們始終為客戶(hù)著(zhù)想，幫助他們改善，以達到最佳效果。字數越多，效果越好，平均成本越低。

　　5、整站優(yōu)化需要多長(cháng)時(shí)間才能見(jiàn)效？

　　答：基礎數據好的時(shí)候，優(yōu)化10-20天后會(huì )有明顯的數據增長(cháng)。如果三個(gè)月沒(méi)有明顯效果，會(huì )全額支付（這個(gè)概率是最低的）。

　　

　　如何優(yōu)化文章關(guān)鍵詞的排名？

　　有的排在首頁(yè)，有的排在欄目頁(yè)，有的排在大量的文章內容。一個(gè)經(jīng)過(guò)適當優(yōu)化的結果，在正常情況下，應該有大量的文章內容頁(yè)面排名。大量的文章頁(yè)面排名意味著(zhù)大量的精準點(diǎn)擊，意味著(zhù)收錄頁(yè)面將權重傳遞給欄目頁(yè)面和內容頁(yè)面。

　　在某些情況下，文章的排名會(huì )很低。在這種情況下，盡可能對收錄的文章進(jìn)行排名就顯得非常重要，這幾乎是優(yōu)化的必經(jīng)之路。針對文章關(guān)鍵詞排名偏低，百萬(wàn)數系統建議從以下幾個(gè)方面入手。

　　增加了主站的重量。

　　如何快速增加成品重量？理想很美好，現實(shí)卻很骨氣。主站權重的增加可以直接提升內容文章頁(yè)或專(zhuān)欄頁(yè)的排名。這個(gè)道理誰(shuí)都懂，但是實(shí)現起來(lái)卻相當困難。

　　當前文章頁(yè)面優(yōu)化設置。

　　這個(gè)優(yōu)化點(diǎn)是可以實(shí)現的。具體操作包括但不限于：設置文章頁(yè)面自身新聞源格式、調用相關(guān)內容、設置豐富元素、圖文結合展示內容、設置面包屑導航、通過(guò)ugc增加頁(yè)面價(jià)值、添加內容詞、更高的關(guān)鍵詞密度（精確匹配和分詞匹配）、重要的關(guān)鍵詞出現在重要的位置等。

　　外鏈方式提高了文章頁(yè)的關(guān)鍵詞排名。

　　鏈接可以提高所有頁(yè)面的關(guān)鍵詞排名，包括首頁(yè)、專(zhuān)欄頁(yè)、內容頁(yè)。知道了這個(gè)原理之后，就可以通過(guò)錨文本等方式來(lái)推進(jìn)遲發(fā)文章的排名。

　　在網(wǎng)上看到一篇關(guān)于文章優(yōu)化技巧的文章，可以參考如下：

　　1.文章標題優(yōu)化技巧

　　文章是吸引用戶(hù)點(diǎn)擊的因素。文章的點(diǎn)擊率高不高取決于文章的標題是否吸引人。很多站長(cháng)在寫(xiě)標題的時(shí)候很隨意，沒(méi)有對標題進(jìn)行優(yōu)化，也沒(méi)有加入營(yíng)銷(xiāo)詞。這樣一來(lái)，再精彩的內容，也沒(méi)有多少用戶(hù)會(huì )看。大家可以看看新聞的頭條，為什么點(diǎn)擊率這么高，頭條的吸引力有很大的作用。

　　那么如何做好文章標題優(yōu)化技巧呢？

　　1、題目主題要結合企業(yè)需要，不能脫離事實(shí)；

　　2.在標題中添加用戶(hù)關(guān)注的熱門(mén)話(huà)題；

　　3、在標題中加入利誘等詞，就像商城活躍的詞一樣；

　　4、使用關(guān)鍵詞選詞工具，選擇長(cháng)尾關(guān)鍵詞和問(wèn)題關(guān)鍵詞作為標題；這些方法對于吸引用戶(hù)點(diǎn)擊非常實(shí)用，具體操作需要結合企業(yè)的實(shí)際情況，才能吸引到自己企業(yè)的潛在客戶(hù)。

　　2.文章關(guān)鍵詞出現的頻率

　　很多新手站長(cháng)為了增加關(guān)鍵詞的密度，告訴搜索引擎優(yōu)化文章中的關(guān)鍵詞，惡意堆砌人為干預關(guān)鍵詞的頻率，導致句子不連貫而且嚴重影響用戶(hù)閱讀時(shí)，跳出率高，嚴重影響文章質(zhì)量。這種搜索引擎也不喜歡。站長(cháng)一定要注意不要把關(guān)鍵詞堆起來(lái)，就讓流量增加關(guān)鍵詞，記住關(guān)鍵詞應該出現在標題里，這樣自然就形成了關(guān)鍵詞的密度，會(huì )被搜索引擎識別，搜索引擎會(huì )很容易判斷出需要優(yōu)化的關(guān)鍵詞。

　　3. 關(guān)鍵詞應該出現在哪里

　　說(shuō)到這一點(diǎn)，主要是考慮文章關(guān)鍵詞的排版，以免形成惡意堆砌，同時(shí)也像搜索引擎一樣清晰表達文章關(guān)鍵詞的內部?jì)?yōu)化。

　　

" />

　　1、標題收錄

關(guān)鍵詞；

　　2、關(guān)鍵詞出現在段落的句中；

　　3、最后必須有關(guān)鍵詞；

　　4. 中間內部出現3-5次；

　　5、關(guān)鍵詞必須收錄

在文章圖片的ALT標簽中；只要做好這幾點(diǎn)，關(guān)鍵詞的密度自然會(huì )增加，切記不要堆起來(lái)。

　　4. 關(guān)鍵詞大膽的處理

　　關(guān)鍵詞加粗是提醒搜索引擎這是重點(diǎn)關(guān)鍵詞，沒(méi)必要每次出現關(guān)鍵詞都加粗，這個(gè)沒(méi)有必要，但是會(huì )導致懷疑過(guò)度優(yōu)化，記住 關(guān)鍵詞 出現時(shí)可以加粗。

　　5.文章標簽

　　TAG標簽是改善內鏈的重要優(yōu)化技術(shù)，便于引導蜘蛛深度爬取，也便于用戶(hù)深度瀏覽，提高關(guān)鍵詞的權重和排名。TAG關(guān)鍵詞標簽就是把內容相同的文章整合到一個(gè)頁(yè)面里，怎么整合呢？對于每個(gè)優(yōu)化過(guò)的關(guān)鍵詞，設置一個(gè)TAG關(guān)鍵詞標簽，使用程序使用TAG關(guān)鍵詞標簽放在一起。

　　6. 關(guān)鍵詞 錨文本鏈接

　　關(guān)鍵詞 添加鏈接，這個(gè)也叫關(guān)鍵詞錨文本，也是優(yōu)化內鏈的方式。做一個(gè)錨文本鏈接，引導蜘蛛抓取內容，引導用戶(hù)瀏覽企業(yè)要給用戶(hù)瀏覽的內容。只需在第一次出現的 關(guān)鍵詞 處添加一個(gè)錨文本鏈接。一旦出現就沒(méi)有必要添加錨文本鏈接。這是典型的方式，不利于優(yōu)化。同一個(gè)關(guān)鍵詞可以添加一次鏈接，不同的關(guān)鍵詞不能超過(guò)3個(gè)鏈接。

　　7.關(guān)鍵詞的出現次數

　　一篇文章可以?xún)?yōu)化1-3個(gè)關(guān)鍵詞，要求三個(gè)關(guān)鍵詞都是同一類(lèi)型。如果不是同一類(lèi)型，那么文章就很難寫(xiě)了。寫(xiě)在一篇文章里，有點(diǎn)舍不得，*去中心化，搜索引擎不知道你要優(yōu)化哪個(gè)關(guān)鍵詞。

　　8.圖文顯示

　　文章考慮了搜索引擎，也需要考慮用戶(hù)和用戶(hù)的瀏覽環(huán)境。簡(jiǎn)單的一堆文字很容易造成視覺(jué)疲勞，降低宣傳效果。有了圖片，更好地排版文章，優(yōu)化文章結構。直觀(guān)地向用戶(hù)表達文章的主題。注意圖片不要超過(guò)200KB，以免影響頁(yè)面加載速度。

　　文章優(yōu)化技巧很重要。這是幫助企業(yè)獲得更好的權重和關(guān)鍵詞排名必須要做的工作。很多公司天天更新，有一些原創(chuàng )文章，但是沒(méi)有考慮使用文章優(yōu)化技巧。降低了文章的優(yōu)化值。通過(guò)做文章優(yōu)化，可以為公司帶來(lái)更多的長(cháng)尾關(guān)鍵詞排名，尤其是新站**詞，短時(shí)間內很難有很好的排名，所以多用文章來(lái)提升排名是非常重要的。使長(cháng)尾 關(guān)鍵詞 需要。

　　文章排名不僅與內容質(zhì)量本身有關(guān)，還與頁(yè)面質(zhì)量和網(wǎng)站質(zhì)量有關(guān)。文章排名偏低，按照上面的方法，基本可以做到**。注意：在很多情況下，理想與現實(shí)是有差距的。從SEO的角度來(lái)看，理論點(diǎn)并不復雜，但具體優(yōu)化要素的實(shí)現卻很復雜。

　　關(guān)鍵詞排名優(yōu)化問(wèn)題，0375互聯(lián)網(wǎng)媒體一站式解決方案，快速穩定

　　關(guān)鍵詞優(yōu)化排名，平均2-4周上傳詞，進(jìn)入搜索引擎首頁(yè)，持續穩定

　　-/gjicie/-