首页 >  SEO >  SEO算法 >  正文

SimHash算法,关键词堆砌打击

2899

Simhash算法又被SEO站长们成为关键词匹配算法,当用户搜索一个关键词的时候,会出现相关的网站进行展现,但是前些年有个别站长发现关键词密度越高排名越好,这是搜索引擎前期的漏洞,Simhash算法(也成分词匹配算法)对关键词堆砌起到了决定性的打击,尤其是新站一旦有关键词堆砌的嫌疑,将会在好几个月内无法获得排名。

说到文本相似性计算,大家首先想到的应该是使用向量空间模型VSM(Vector Space Model)。使用VSM计算相似度,先对文本进行分词,然后建立文本向量,把相似度的计算转换成某种特征向量距离的计算,比如余弦角、欧式距离、Jaccard相似系数等。这种方法存在很大一个问题:需要对文本两两进行相似度比较,无法扩展到海量文本的处理。想想像Google这种全网搜索引擎,收录了上百亿的网页,爬虫每天爬取的网页数都是百万千万级别的。为了防止重复收录网页,爬虫需要对网页进行判重处理。如果采用VSM方法,计算量是相当可观的。

这里介绍的SimHash算法很好的解决了VSM方法的缺陷,该方法最初由Google提出,用于网页去重。在介绍SimHash前,先大概说下传统的Hash算法。我们知道,衡量一个Hash算法好坏的一个指标是随机性。也被称作简单一致散列假设:每个关键字都等可能地散列到m个槽位中的任何一个中去,并与其他的关键字已被散列到哪一个槽位中无关。说白了,就是让散列的分布尽量均匀,哪怕内容发生很小的变化,hash值也会发生很大的变化。因此,根据传统的hash值无法得知被散列内容的相似程度。

simhash可以计算文本间的相似度,我们可以通过simhash算法计算出文档的simhash值,通过比较各个文本的simhash值之间的汉明距离的大小来判断其相似度,汉明距离越小,则相似度越大。一般大文本去重,大小<=3的即可判断为重复。



simhash算法分为5个步骤:1、分词、2、hash、3、加权、4、合并、5、降维


1、分词:

选择适合自己的分词库进行分词即可。

如“欢迎来到随迹”->(分词后)“欢迎”、“来到”、“随迹”


2、hash:

对每个词计算其hash值,hash值为二进制数01组成的n-bit签名。

设“欢迎“(100101)、“来到”(101011)、“随迹”(101011)


SimHash算法


3、加权:

对于给定的文本,权值即为分词后对应词出现的数量。给所有特征向量进行加权,即W = Hash * weight;这里我们假设三个词权值分别为4、5、9;

根据计算规则遇到1则hash值和权值正相乘,遇到0则hash值和权值负相乘

例如给“欢迎”的hash值“100101”加权得 到:W(欢迎) = 1001014 = 4 -4 -4 4 -4 4,给“来到”的hash值“101011”加权得到:W(来到)=1010115 = 5 -5 5 -5 5 5,剩下的按此规则计算


4、合并

将上述各个特征向量的加权结果累加,变成只有一个序列串。拿前两个特征向量举例,例如“欢迎”的“4 -4 -4 4 -4 4”和“来到”的“5 -5 5 -5 5 5”进行累加,得到“4+5 -4+-5 -4+5 4+-5 -4+5 4+5”,得到“9 -9 1 -1 1”。


5、降维

对于n-bit签名的累加结果,如果大于0则置1,否则置0,从而得到该语句的simhash值,最后我们便可以根据不同语句simhash的海 明距离来判断它们的相似度。例如把上面计算出来的“9 -9 1 -1 1 9”降维(某位大于0记为1,小于0记为0),得到的01串为:“1 0 1 0 1 1”,从而形成它们的simhash签名。


申明:本站内容仅代表个人观点,仅供学习参考;未经授权任何个人或组织单位不得复制、转载、摘编以及其它形式的应用! 本站文章可能使用到互联网上的资料,若对您造成困扰,请联系 kk19@foxmail.com除理 本文地址:https://www.chateach.com/seo/seosuanfa/407
相关文章
  • Site域名查询的不显示备案信息

    网站备案,site命令,收录量

    Site命令站长们应该非常的熟悉,只要在对应的搜索引擎输入”site:域名”就可以查询到站点的收录数量。同时顶部的小卡片中会显示站点的备案号和备案主体,但是有的时候会遇到有些站点就只有资格收录数量,没有任何的备案信息。

    1250
    • 网站备案
    • site命令
    • 收录量
  • SEO优化检测工具有哪些

    SEO工具

    SEO优化检测工具有哪些?网站建成之后,我们往往还要进行SEO的优化工作。但是,怎么检查您的网站的SEO优化是否符合相关的技术标准呢?那么就需要配合第三方的SEO检测工具来帮助您检查。

    3841
    • SEO工具
  • 域名带www和不带www哪个更有利于SEO

    www,SEO优化

    你的网站带www嘛,今天来探究下网站带www和不带www哪个更利于SEO优化。我们分为两种情况来分析,一种域名下有多个站点,还有一种就是域名下只有一个站点。

    730
    • www
    • SEO优化
  • 已收录页面修改对排名有影响吗?

    收录页面修改的排名影响

    对于已收录页面的修改对于网站的运营之中是不能再常见的事情了,那么修改已收录页面会影响收录吗、会影响已有的关键词排名吗?这是多数SEO优化人员所纠结的问题,又想修改页面但又不敢大动页面。

    1942
    • 收录页面修改的排名影响
  • 建站系统搭建网站利于SEO优化吗?

    建站系统选择

    对于一般的企业建站为了便利性会选择使用建站系统来进行网站的搭建,但是使用建站系统却存在着很多问题,对于业务上或者SEO优化上都有着很大影响。然而对于中小企业使用建站系统模板来搭建系统主要还是成本、维护上上考虑,也是一种迫不得已的选择,那么使用建站系统建站我们需要避免那些问题呢?

    850
    • 建站系统选择
  • 搜索引擎检索原理解析

    搜索引擎,检索原理

    搜索引擎检索原理解析,搜索引擎是如何实现关键词的精准匹配?

    1127
    • 搜索引擎
    • 检索原理
  • 域名泛解析对SEO优化的影响

    泛域名解析

    域名泛解析对SEO优化的影响超乎你的想象,通过泛域名解析来增加抓取及收录,在现阶段基本可以认为是提条绝路,基本上是百害无一利。

    3279
    • 泛域名解析
  • 网站seo如何正确设置基础信息

    seo,基础信息

    什么是搜索展现基础信息、标题设置规范、摘要设置规范、站点名设置规范、配图设置规范、时间因子设置规范以及网站内容设置注意事项,详细讲解如何正确设置基础信息。用户在百度搜索引擎中根据自身的搜索需求输入关键词,从得到的搜索结果中,筛选出符合需求的内容,产生点击行为。

    875
    • seo
    • 基础信息
  • Tag标签页面如何优化?

    Tag标签页面

    你知道什么是tag‘页面吗?什么样的站点适合去tag页面呢?tag页面又叫标签页面,是一种网站内容的分类方式。常见的实现方式是通过给各个页面打上标签,然后以这个标签为主题来聚合相关的页面。

    1005
    • Tag标签页面
  • 关注网站抓取频率的重要性

    网站抓取频率

    关注网站抓取频率的重要性,每天都会有数以万计的url被搜素引擎抓取,而形成的相互的链接,而构成了我们所看到的互联网,对于网站优化来讲,就是网站抓取频率,那网站抓取频率对seo有哪些重要的意义呢?下面我们来看看为什么要关注网站抓取频率。

    2171
    • 网站抓取频率
  • 搜索引擎抓取系统概述

    搜索引擎,蜘蛛

    今天就给大家简单的介绍一下搜索引擎系统大致工作原理,内容比较多会分几次更新,大家记得关注“潘某人SEO”坐等更新。先给大家介绍下搜索引擎的基础知识:抓取系统基本框架、抓取中涉及的网络协议、抓取的基本过程三部分。

    1050
    • 搜索引擎
    • 蜘蛛
  • alternate和Canonical标签防止重复收录分散权重

    alternate标签,Canonical标签,重复收录

    alternate和Canonical标签有什么作用,我们可以正确使用这两个标签,解决重复页面,以及移动端和PC端页面的对应关系的适配,可以更好防止出现重复页面的收录,有效的解决权重分散问题。

    3918
    • alternate标签
    • Canonical标签
    • 重复收录
  • 网站改版301跳转,你踩坑了吗?

    301跳转,重定向,网站改版

    当网站改版时,新旧页面的链接地址或者是网站域名发生变化时,就需要在对应的搜索引擎提交网站改版规则,然后在做301跳转,这是网站的常规操作,相信大多数都知道,但是你真的觉得这么简单吗?

    647
    • 301跳转
    • 重定向
    • 网站改版
  • 域名注册注意什么

    域名注册注意点

    域名注册注意什么?对于网站优化来说域名的选择是非常重要的,如果在域名的选择注册时发生了错误,那么对于网站后续的SEO优化是一个非常不利的起点,对于任何一件事一个好的开始是成功的一半。

    937
    • 域名注册注意点
  • 新站不收录怎么办,如何快速收录

    新站不收录解决方法

    对于新网站来说收录是一个比较困难的,相信很多SEO们都会遇到。分享一下如何让新站可以实现一个月 不到就开始稳定快速收录,以及新站建站中需要注意的哪些坑.....

    2472
    • 新站不收录解决方法
  • 百度清风算法解读

    百度清风算法

    清风算法针对违规标题及虚假下载问题,包括关键词堆砌、虚假标题和虚假下载等问题。所以简单的理解就是清风算法主要打击的就是标题党,通过虚假的标题来获取用户的点击的一种行为。

    2528
    • 百度清风算法
  • 网站页面加载速度优化指南

    网站加载速度,首屏加载,seo

    网页css和js如何处理才能让网站加载速度更快,页面的首屏内容应在1秒内加载完成,这样才能拥有一个良好的用户体验。

    1131
    • 网站加载速度
    • 首屏加载
    • seo
  • 百度蓝天算法2.0解析,构造目录行为打击

    构造目录,百度蓝天算法

    百度蓝天算法打击什么行为呢?解读下蓝天算法2.0会带来什么影响,算法中的针对关键点是构造目录。应该如何应对呢?

    1483
    • 构造目录
    • 百度蓝天算法
-- 这已经是底线了,看看别的把! --