专注前端,专注网页设计制作 - (网页制作/模板制作/设计) QQ:755150799 织梦模板 | 网页特效 | 网站模板 | 建站教程 | TOP排行榜 | Tag标签 | 联系我们
当前位置: 网站首页 > 建站教程 > 优化技巧 > >

刷百度相关搜索发包参数详解

时间:2019-10-15来源:学技巧网站制作 作者:圆柱模板 阅读: 次 【 点评一下

  刷相关搜索的实现方法:
 
第一:比如圆柱模板,我们可以先搜索圆柱模板厂家,然后接着再去搜索圆柱模板价格,那么每天以几倍的方式增加,当达到一定搜索量的时候,那么圆柱模板的相关词搜索就会出现圆柱模板价格了。
 
  打开百度首页//www.baidu.com/输入圆柱模板出来的地址为:
 
 
https://www.baidu.com/s?ie=UTF-8&wd=%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF
  这串代码中:
 
%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF
  
 
      是代表圆柱模板的代码
 
   再出来的页面中输入你要的品牌,比如鹏程圆柱模板,输入完毕后,点百度一下。
 
https://www.baidu.com/s?bs=%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF&f=8&rsv_bp=1&wd=%E9%B9%8F%E7%A8%8B%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF&inputT=54390
    这串代码中:
 
 
%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF
  是不变的,代表:圆柱模板  关键词
 
   f=8这个数值是会变动的。范围为:
 
  0-9.数值越高,代表着这个相关搜索的词越容易做上去。
 
 
%E9%B9%8F%E7%A8%8B%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%
  代表的是:鹏程圆柱模板 这个相关词的代码
 
inputT=54390
  代表这个是代表搜索结果出来的运算时间
 
   
 
相关搜索算法实现原理:
 
用户后继词原理:
 
把用户在5分钟之内在搜索引擎中搜索词定义为一次搜索行为,那么就形成了搜索日志,搜索日志如下:
 
cookie:用户cookieid keys:[A1,A2.....] [B1,B2.....] [C1,C2.....]
 
接着按用户进行分类,时间间隔5分钟进行数据清理,[x1,x2.....]一个数组表示一次搜索行为,每个数组的第一位就是当次搜索行为的第一个搜索词。
 
cookie:用户cookieid keys:[A1,A2.....] [B1,B2.....] [C1,C2.....]
 
对于单个用户来说搜索后继词的确定性是不够的,比如搜索科比,但是一看到旁边有人我就立刻改变搜索培训,那么这两个词是没有相关性质的。那么就加入统计规则去掉一些杂质,比如某个词B只有出现在5个用户的相同的搜索词A的后继词中才算一个A的后继词,还有其他的一些规则,这么下来,日志就变成了。
 
key:A succeed:A1,A2,A3.....
 
用户协同过滤原理:
 
当搜索用户日志足够多的情况,可以把拥有相同搜索记录的用户聚合起来,通过协同过滤算法,获取更多的相关性的词。通过下面协同过滤算法同样可以把加索尔推荐给NBA了。
 
A用户:篮球 后继词 男篮 女篮
 
B用户:NBA 后继词 男篮 科比
 
C用户:男篮比赛 后继词 男篮 加索尔
 
从搜索词算法实现:
 
如果一个关键词搜索词结果,跟另外一个,甚至几个关键词搜索出来的结果很多交集,那么这些关键词很可能也是语义相关的词。
 
从搜索日志来看例子:
 
key:搜索词 time:搜索时间 cookie:用户cookieid result:a,b,c,d,e(前5个搜索结果)
 
这次,我们只用key和result两项,稍微处理下来以后就变成了
 
key:搜索词A result:a,b,c,d,e(前5个搜索结果)
 
key:搜索词B result:a,f,c,g,m(前5个搜索结果)
 
如果我们把每一行数据的result想象成一篇文档,result里面的每个结果集想象成一个词语,那么这其实就是求两个文档之间的相似性了,从头到尾过一遍就可以找到每一行数据和它最相似的数据了,而每一行可以用当行的搜索词表示,这么一算下来数据就变成这样子了,后面的括号里面是两个词的相似度,如果想知道文本的相似性如何计算,可以参考我之前的文章,本文最后有链接。
 
key:搜索词Asucceed:搜索词B(0.8)搜索词C(0.6).....
 
key:搜索词Bsucceed:搜索词A(0.8)搜索词E(0.7).....
 
有了上面这个数据,拍一个阈值(比如0.7)卡一下,就得到最后的相关搜索的结果了。
 
这个计算相似性的方法的计算量比较大,而且阈值没有卡好的话容易出现不相关的结果,在实际工程应用中使用得不多,下面这个方法使用得更多点,相当于这个的加强版。
 
从用户搜索结果集考虑
 
如果某个搜索结果(比如一个网页或者一个商品)出现在了不同的搜索词的结果集中,那么这些个搜索词很可能是相关的,如果这个搜索结果在不同的搜索词下都被点击了,那么这些个词的相关性就更高了。
 
点击的加成是很强大的,而且在数据量巨大的情况下,我们可以只考虑点击的情况,还是拉出搜索日志,不过这次是搜索点击日志了,拉出来处理一下就变成下面这个样子,每行就是某个搜索词下点击的商品
 
key:搜索词Aclick:结果A结果B结果C
 
这个样子和上面第二种方法最后出来的样子基本一样,不过这次是点击数据,相关性可比直接的搜索结果要好很多了,因为搜索结果取决于你的搜索算法,而这种点击数据是来自用户的,人的可靠性可高了不少,所以说这个是上一个的加强版。
 
我们可以按照上一个的方法按文本相似性的方法进行处理,但是计算量也比较大,如果再仔细看看这个数据的样子,如果我们把相关搜索系统想象成豆瓣,搜索词看成豆瓣的用户,搜索结果集看成是豆瓣的电影,那么相关搜索就变成了一个豆瓣的猜你感兴趣的人,也变成了一个协同过滤的推荐系统了(协同过滤算法可以参考文章最后的链接),上一节的协同过滤算法的数据是词和后继词,这里是词和点击结果,虽然数据集不同,但是可以用一样的算法,所以,搜索和推荐技术其实是密不可分的,既然这样,完全可以用协同过滤算法进行推荐了。
 
协同过滤的算法,简单版本整体不会超过200行,很容易实现的。
 
通过这样的方式,容易推出意思相近的词,同样也容易推出看似完全不相关但仔细想想还是靠谱的词,就像下面这样,他们虽然不见得近义词,但是很可能会点击到同一个结果上。
感谢圆柱模板站长分享!

Tag:
分享到:
  • 用微信  “扫一扫”

    将文章分享到朋友圈。

    关注公众号:xue-jiqiao

本文版权归原作者所有,转载请注明原文来源出处,学技巧网站制作感谢您的支持!