首先我们需要找一个切入点,一个如何应用ML来做SEO的切入点。要找切入点,就需要有一个寻找的方法;寻找的方法很简单,就是通过网络搜索,找出相关的文章和案例;在谷歌(如果打不开谷歌可以去http://51msg.net)中输入关键词 machine learning seo,搜出很多的结果, 经过艰苦的阅读和寻找,从几十个结果中剔除无关网页信息后,发现相关的有用信息包括如下:
- 基于聚类算法,分析seo可能的影响因素不仅分析排名的影响因素,主要分析点击、点击率的影响因素;待选的影响因素包括tilte长度、meta description长度、排名、曝光量等,对应的参考网址是:https://wordlift.io/blog/en/machine-learning-for-seo/;
- 基于多层感知器分类算法,预测哪些词可以帮助我们的网页在搜索的时候进入前十原网站思路:从SEMrush获得数据,主要包括关键词的搜索量、结果量、竞争度、点击率等;再抓取测试的网站页面内容、竞争对手网站的内容;生成关键数据包括:title里包含情况(title中是否包括关键词,下同)、content里包含情况、url、domain里包含情况等。训练排名数据。从而得出关键词在网页的不同地方可能获得的排名。对应的参考网址是:https://www.searchviu.com/en/machine-learning-seo-predicting-rankings/
- 基于多种主流的分类算法(如xgboost、random forest等)预测网站是否能进入前十,分析影响排名的重要因素;和第二点不同的是这里分析的因素不止是关键词,还包括网页响应速度、外链数量、页面字数、内部连接数、各标题字数、各标签字数等等。对应的参考网址是: https://data-seo.com/2018/11/27/successfully-predicting-google-rankings-data-science/
- 用Natural Language Understanding (NLU)技术,识别文本关联度,用于外接;比较外链页面内容和推广网站对应关键词的关联度,关联度越大,外链的作用也越大。对应的参考网址是:https://econsultancy.com/how-to-machine-learning-link-relevancy-seo-analysis/
找到了相关的信息以后,重要的是我们还需要做出选择。到底选择哪个方案作为我们的切入点呢?要做选择,我们需要有选择的策略,我们的策略是这样的:
- 实用性要强,见效要快;
- 必须可快速方便验证效果
- 所有数据都能容易获取,可操作性强
- 循序渐进、由易到难
基于以上原则,作者的选择的是第2个应用案例,基于多层感知器,预测哪些搜索词可以帮助网页在搜索结果中排名前10。 未完待续……
相关推荐
《Mastering Machine Learning With scikit-learn》是一本深入实践的指南,它将带领读者通过scikit-learn掌握机器学习的核心概念和技术,提升数据分析和预测能力,对于希望在机器学习领域深入研究或提升实战技能的人...
《Machine Learning with PyTorch and Scikit-Learn-Packt》(2022)是机器学习领域的权威指南,涵盖了机器学习和深度学习的基础知识和实践经验。读者可以通过学习本书籍来掌握机器学习模型开发和实践的技能,从而...
机器学习入门与实战(scikit-learn和Keras)课件—聚类.pdf机器学习入门与实战(scikit-learn和Keras)课件—聚类.pdf机器学习入门与实战(scikit-learn和Keras)课件—聚类.pdf机器学习入门与实战(scikit-learn和Keras)...
机器学习(Machine Learning)是让机器通过统计方法从数据中学习任务的技术;而深度学习(Deep Learning)是机器学习的一个子集,它通过构建具有许多层次的神经网络直接从数据中学习表征和任务。深度学习之所以被...
吴恩达的机器学习课程主要包括两门,一门是在Cousera上的《机器学习》,另一门是他在斯坦福大学教授的《CS229: Machine Learning》。 Cousera上的《机器学习》课程侧重于概念理解,而不是数学推导。这门课程重视...
Human-in-the-Loop Machine Learning lays out methods for humans and machines to work together effectively. Summary Most machine learning systems that are deployed in the world today learn from human ...
机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NLP
AiLearning: 机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NLP
在“部分内容”中,我们看到了“Machine Learning Landscape”这个短语,它可能是指对机器学习领域全貌的介绍,可能涉及机器学习的基本概念、不同类型的机器学习方法(如监督学习、非监督学习、强化学习等),以及...
Machine-Learning-Algorithms-from-Scratch, 从零开始实现机器学习算法 Machine-Learning-Algorithms-from-Scratch从零开始实现机器学习算法。目前实现的算法:简单线性回归。数据集:来自Quandl的股票数据逻辑回归...
### 机器学习:基于统计学习理论的实用方法 随着数据科学和人工智能技术的快速发展,机器学习作为一门核心学科,已经成为连接理论与实践的关键桥梁。本书《Machine-Learning-A-Practical-Approach-on-the-...
在本项目"machine-learning-LAB2-demo"中,我们将探讨机器学习的基本概念和应用,重点关注实验和演示部分。"machine_learning_LAB2-demomachine_learning_LAB2-demo"描述可能暗示了这是一个包含多个实例和练习的实验...
《机器学习实战:感知机、KNN、决策树与逻辑回归》 在人工智能领域,机器学习扮演着至关重要的角色,它使计算机系统能够通过数据学习并改进其性能,而无需显式编程。在这个名为"MachineLearning-master"的压缩包中...
基于Python的机器学习(Python-Real World Machine Learning)-2016年最新英文原版,0积分——全书983页,内容很丰富。 What this learning path covers? Module 1, Python Machine Learning Cookbook, teaches you...
《机器学习用于算法交易》第二版是一本深入探讨如何利用机器学习技术进行高效算法交易的专著。在当今数据驱动的金融市场中,机器学习已成为交易策略开发的核心工具,它能够帮助交易者从海量数据中发现模式,预测市场...
2. **机器学习(Machine Learning)**:机器学习是人工智能的一个分支,它允许系统通过经验学习和改进。在物联网中,机器学习可以用于模式识别、异常检测、预测分析等任务。 3. **MATLAB在机器学习中的应用**:...
基础概念可能包括机器学习的定义、不同类型的机器学习(如监督学习、无监督学习、强化学习),以及机器学习中的核心概念,比如特征工程、模型训练、验证和测试。 2. Scikit-Learn与TensorFlow:文档中提到了两个...
《Hands-On Machine Learning with Scikit-Learn and TensorFlow》是一本深度探讨机器学习实践的书籍,特别关注使用Python编程语言和两个强大的开源库——Scikit-Learn与TensorFlow。这本书不仅提供了高清彩色PDF...