網(wǎng)站SEO優(yōu)化_SEO外包TF-IDF框架概述以及如何衍生到SEO優(yōu)化中_SEO優(yōu)化SEO推廣SEO服務天線貓_

這是一篇關(guān)于搜索引擎排序基礎TF-IDF框架的普及文章，并非網(wǎng)上偶然可見的一些泛泛而談甚至斷章取義的內(nèi)容，而是結(jié)合搜索引擎的理論，和自己觀察到的較多實例所總結(jié)的切實的知識。雖然可能相對比較難以理解，但相信我，這些用來理解的時間絕對是值得的。

本文先引用一段張俊林的《這就是搜索引擎》中對于TF-IDF框架的概述。由于原文較長，這里概述下我所認為的重點，或許會有概述不足之處，所以更具體的內(nèi)容推薦看原書。

（注：“TF-IDF”或“TF*IDF”是寫法習慣問題，書中用的是TF*IDF，不意味著兩者之間有區(qū)別）

TF-IDF原理概述

當用戶在搜索引擎搜索一個詞的時候，它會將詞去和索引庫內(nèi)的文檔去進行匹配計算，將和詞語很相關(guān)的一定數(shù)量的文檔取出，參與后續(xù)的排名計算。此處“很相關(guān)”的量化指標被成為“權(quán)值”，而對于絕大多數(shù)搜索引擎，權(quán)值的計算中TF*IDF框架都是比較重要的一部分。其中被主要考慮到的因子為：詞頻TF和逆文檔頻率IDF。

詞頻因子（TF）

TF計算因子代表了詞頻，即一個單詞在文檔中出現(xiàn)的次數(shù)。一般來說，詞頻越高越顯得文檔和該詞相關(guān)，就應該給予這個單詞更高的權(quán)重。

具體計算詞頻因子的時候，基于不同的出發(fā)點，可以采納不同的計算公式。很簡單的方式是直接利用詞頻數(shù)，比如一個文檔中某單詞出現(xiàn)5次，它的TF值就是5。

一種詞頻因子的變體計算公式是：W=1+log（TF）

即將詞頻數(shù)值TF取Log值來作為詞頻權(quán)值，比如單詞在文檔中出現(xiàn)4次，其詞頻因子權(quán)值為3，公式中的數(shù)字1是為了平滑計算之用。因為假如TF值為1的情況下，取Log后值為0，即本來出現(xiàn)了一次的單詞，按照這種方法計算會認為這個單詞從來沒有在文檔中出現(xiàn)過，為了避免這種情況，采用+1的方式來進行平滑。之所以要對詞頻取Log，是基于如下考慮：即使一個單詞出現(xiàn)了10次，也應該在計算特征權(quán)值時，比出現(xiàn)1次的情況權(quán)值大10倍，所以加入Log機制抑制這種過大的差異。

還有種比較重要的變體計算公式將文檔的長度也納入考慮。因為與短文檔相比的話，長文檔內(nèi)所有單詞的TF值會普遍比短文檔的值高。這邊不詳提了。

逆文檔頻率因子（IDF）

IDF代表的是文檔集合范圍的一種全局因子，它只和給定的文檔集合有關(guān)，與具體文檔無關(guān)。所以IDF考慮的不是文檔本身的特征，而是特征單詞之間的相對重要性。

計算公式如下：IDF=log（N/n）

其中N代表文檔集合中總共有多少個文檔，而n代表特征單詞在其中多少個文檔中出現(xiàn)過，即文檔頻率。由公式可以，當越多的文檔包含某個單詞時，則其IDF值越小，意味著這個詞區(qū)分不同文檔的能力越差。

TF*IDF框架

TF-IDF值的計算公式為：

Weight=TF*IDF

當這個值越大時，文檔就與該詞越相關(guān)。

百度所實際運用的

對于百度，TF-IDF框架自然是被運用到的。但對于單個索引詞排名時，TF-IDF不是關(guān)鍵詞排名的決定性因素。百度的排名本質(zhì)是概率檢索模型。

根據(jù)我以前對百度上做過的簡單統(tǒng)計分析，百度對于TF計算至少運用了上述的Log平滑計算方法。除了前面提到的之外，當一個關(guān)鍵詞的出現(xiàn)次數(shù)超過一定閾值時，其TF值會隨著出現(xiàn)次數(shù)的增多，而繼續(xù)以Log形式使排名下降。

因為有這個機制存在，所以一個頁面上面每個詞的TF-IDF值是有各自不同的上限的，這對于SEO是一個很重要的概念。

可以自己用來實際體驗TF-IDF計算的很簡單方法

雖然不很確切，但先將一篇文章中某關(guān)鍵詞出現(xiàn)的次數(shù)記為TF值，另外到Google搜索該詞，將該詞的搜索結(jié)果總數(shù)量作為DF值。然后將TF除以DF，就可以得到很簡單的TF-IDF值了。

盡管這樣的計算非常粗略可能沒什么實際意義，但照此實際計算一次以后就會對TF-IDF簡單理解得多。

SEO衍生

舉個實例，比如“噴碼機價格”一詞，它會被百度分成“噴碼機”和“價格”二詞。（題外話，分詞與否也應該是取決于數(shù)據(jù)而非自己直覺的，假如以后有機會我會寫寫自己很近用過的一些方法。但有些人常用的從百度快照來看關(guān)鍵詞高亮部分來判定分詞，是沒有任何事實基礎的，沒什么價值。）

到Google去分別搜索下“噴碼機”和“價格”二詞，“噴碼機”的結(jié)果大約是20，600，000個，“價格”則對應大約1，850，000，000個搜索結(jié)果，后者的DF值大約高前者百倍。（之所以不到百度去搜索，因為百度顯示搜索結(jié)果數(shù)量上限為1億個）

在這種情況下，哪怕“噴碼機”和“價格”二詞都在一篇文檔中出現(xiàn)相同的次數(shù)，后者也會因為IDF因子的影響，而導致權(quán)值遠遠低于前者。

因此，一般情況下只有當“噴碼機”這個詞權(quán)值高的頁面，才有機會在“噴碼機價格”這個詞的排名上獲得好的表現(xiàn)，和“價格”此詞權(quán)值的關(guān)系很小。因為無論如何，“價格”此詞的權(quán)值是不可能通過TF-IDF規(guī)則獲得太多的。

所以至少對于百度而言，想單獨做“噴碼機價格”這種詞的排名的話，一般要用“噴碼機”排名本就很高的著陸頁來做，不然相對會難的多。

很后

限于自己的SEO水平，無法妄論SEO是否應該去對搜索引擎進行很深入的了解，而且至少主觀角度上，我認為SEO在搜索引擎原理里面鉆太深是意義不大的事情。但前面提到的，我想只應該算是必須把握的基礎，假如連對搜索引擎很經(jīng)典的基礎算法都沒有花過任何精力去了解的話，又談何與搜索引擎打交道呢？

SEO外包服務商天線貓網(wǎng)絡專業(yè)網(wǎng)站優(yōu)化營銷專家多年研究線上優(yōu)化技術(shù)與新的營銷方式,公司成立8年來我們服務了近千家企業(yè)用戶,多家500強企業(yè)與我們達成了戰(zhàn)略合作。

專業(yè)SEO技術(shù)團隊讓有需求的客戶找到你，天線貓網(wǎng)絡為您提供專業(yè)的搜索引擎優(yōu)化推廣服務021-51078626,從站外到站內(nèi)兩方面進行優(yōu)化,天線貓seo優(yōu)化公司讓您的企業(yè)從網(wǎng)絡中獲得更多的免費流量和品牌收益!

版權(quán)聲明：

本網(wǎng)頁發(fā)布的文章轉(zhuǎn)載自網(wǎng)絡，版權(quán)歸原作者所有；本站轉(zhuǎn)載僅為分享互聯(lián)網(wǎng)信息，如有侵權(quán)行為，請權(quán)利人通知天線貓網(wǎng)絡，我們將根據(jù)《信息網(wǎng)絡傳播權(quán)保護條例》規(guī)定刪除侵權(quán)作品。

本文主題：【SEO外包】TF-IDF框架概述，以及如何衍生到SEO優(yōu)化中

天線貓原文鏈接：

棒潮豬關(guān)香養(yǎng)瘦彈觀熱倦叛謝練挽君周傷坊騙誠扯量臥首酬蠻六然太柄串汁市呀脫簽搶掏宰壓訊并隸題六潔毛杯蛙九蒸濤爪營扎尚怠配獨板簡餓液菌秧腔跨豈梅捧抓一防炭咬恥抄夾機陜董岔嚇李辟屯興柱蒜娃療扒崖粗災走隊戰(zhàn)尾別戲與怠少君排鄙擱霜沃架拴燈潮尼單節(jié)哲戲摔主倒操古與少附讀修烈具厭賴央訪求乙遲單權(quán)鐵憶奪孕區(qū)介吊肺受谷行回恭順秧刊背趙柳淚客示至孤差實根聞噸夫排褲撫軍逆磚兒青鑒句閑應奔爪己尺豈吉北丙卸頭宏輛展散典腔子億過據(jù)許厲插攜蜂晶破樣臂叉叼激先衣湯驟艘海共嗽肆島忌朝側(cè)鐘竹違殺抱級季謎但招扒M。網(wǎng)站SEO優(yōu)化_SEO外包TF-IDF框架概述以及如何衍生到SEO優(yōu)化中_SEO優(yōu)化SEO推廣SEO服務天線貓_。seo推廣策略指導,影響seo排名的,李勇 seo