内容摘要Q?BR>目前中文|站在整个互联网中的影响q比较小Q这主要是由于中文网站M的水qI技术上Q内容上Q都q相对落后造成的，最主要的表现有Q?BR>
- 行业知识Q不知道搜烦(ch)引擎对吸引的新用L(fng)重要性，在搜索引擎排名服务中q求“傻瓜相关”，购买一些其实没有太多实际意义的行业关键词。其实能够用戯入的关键词越多，其目标性越强，q样的客户h(hun)D高。用戯够直接定位到产品具体内容|到网站首|价值的多；
- 发布技术：(x)|站的网进入Google的烦(ch)引量非常，主要是由于大量用动态网造成的。需要将动态页面链接改写成?rn)态链?/A>Q?
- 面设计Q页面标题重复，关键词不H出Q过渡用JavaScript脚本/囄/Flash{不适合搜烦(ch)引擎索引的非文本形式Q?
SEO的目的是通过一些简单的{略Q让|站自n的水q_互联|中有一个真实的体现?BR>|站l构设计中面向搜索引擎的优化注意事项包括Q?/P>
Q注意：(x)本网站设计本w就利用?jin)其中一些方法）(j)?什么是PageRank
Google{新一带搜索引擎的优势之一在于不仅索引量很大，而且q将最好的l果排在搜烦(ch)l果的最前面Q具体的原理可以参?A >Google の秘?- PageRank 徹底解説一文，PageRank单的说类gU技论文中的引用机制Q谁的论文被引用ơ数多，谁就是权威。在互联|上PageRank是Z|页中相互链接关pȝ分析得出的?BR>
此外Q从计算Ҏ(gu)角度阐述PageRank机制q有q篇文章Q?A >http://pr.efactory.de/里面有更详细的PageRank法说明和各U清晰的型个案分析Q?BR>
比如Q子中D条的重要?BR>B <=> A => C
Vs
B <=> A <=> C Q好Q?BR>
面数量因素Q?BR>B <=> A <=> C
Vs
F <=\ /=> G
B <=> A <=> C Q好Q?BR>D <=/ \=> E
一个意想不到的l论Q?BR>(B <=> A <=> C) ( E <=> D <=> F)
Vs
(B <=> A <=> C) <=> ( E <=> D <=> F)
PageRank升高的只是被链接?个首A(ch)和DQ而网站子面的PageRankq_?x)略有下降。同Ӟ(x)一个网站进入Google的烦(ch)引量大其受cM因素影响小?BR>PageRank不对U的面互链Q?BR>Google?x)用BadRank之类的算法进行纠正，而且一个网늝有来自“与其自w不相称”的高PageRank站点的链接，而自w又~少_数量和质量的反相链接的话Q其PageRank?x)自动降低?f)0QA(pr=7) <=> B(pr=0)
单的说就是：(x)偶尔要被权威站点反相链接不算敎ͼ要被_多的权威站点引用才能提高自n|页的PageRank?BR>Web链分析法lDQ南京大学论文）(j) 更多论文可以通过搜烦(ch)Q“filetype:pdf google pagerank anchor text bayesian”得?/P>
链接是一?/A>
在互联网的vz中Q最重要的就是互联互通，不被其他|站引用的网站就是“信息孤岛”。“酒好也怕藏的深”，也许q话说v来有点像垃圾邮gq告Q但事实是q样。所以如果做|站的目的不是孤芌赏，需要积极的推广自己的网站?SPAN style="FONT-WEIGHT: bold">
通过搜烦(ch)引擎推广自己需要注意以下几个方面：(x)
- 以量取胜Q不一定加入传l门L(fng)站的分类目录才是|站推广Q来自其他网站的M反相链接都是有用?BR>|站推广比较l典的方式就是加入比较大型门L(fng)站的分类目录Q比如：(x)Yahoo!Q?A >dmoz.org{。其实这里有一个误区：(x)不一定非要加入大型网站的分类目录才是|站推广Q因为现在搜索引擎已l不再只是网站目录的索引Q而是更全面的|页索引Q所以无论来自其他网站Q何地方的反相链接都是非常有h(hun)值的Q哪怕是出现在新L道，论坛Q邮件列表归档中。BloggerQWeblog的简Uͼ(j)们也许最深刻地理解了(jin)“链接就是一切”这句话的含义，׃Blog的内容之间有大量的相互链接（他们之间利用RSS很容易进行链接大量传播）(j)Q因此最l常被引用的Blog面在搜索引擎中的排名往往比一些大型商业网站的面q要高。而W(xu)IKIq样的文档管理系l更加突Z(jin)良好l构Q良好引用的特征。而目前很多网站通过在各UWIKI/留言中灌注垃圾留言的方法，q种方式是非怸可取的。这U链接不E_Q?
- 以质取胜Q被PageRank高的|站引用能更快地提高PageRank
数量只是关键因素之一Q来自PageRank高的面的链接还能更快的提高被链接目标的PageRankQ我只是一些文章投E在?A >ZDNet中国上，׃面上有文章出处链接Q相应网和|站整体的PageRankq了(jin)一D|间后有?jin)很大的提升。有时候被什么样的网站引用有时候比引用ơ数多更重要。这里我要特别感谢的是，当时ZDNet中国是唯一遵@?jin)我的版权声明的要求表明了(jin)文章出处，q且有反盔R接的|站?BR>按照q个原则Q能够名列Yahoo!和DMOZq样的大型权威目录的?层是非常有h(hun)值的? - ?jin)解搜?ch)引擎?价D"Q?BR>Lucene?/A>q篇文章被Jakarta.apache.org?A >lucene目引用以后Q这文章就成ؓ(f)?jin)所有页面中PageRank最高的面Q而Google支持的一些项目，比如Q?A >Folding@HomeQ让我一直怀疑他们对政府Q教育和非盈利组l的站点有特别加分，毕竟.org .edu才代表了(jin)互联|的实质Q分权和׃n?BR>但更合理的解释是Q?org很多都是开放技术^台的开发者，他们?x)在首页q样的地方加入Powered By Apache, Power by FreeBSD之类的链接表C对其他开源^台的重Q所以象Apache, PHP, FreeBSDq样的开源站点在GOOGLE中都有非帔R的PageRank。而在.eduq些站点中，很多都是学术性比较强的文档，以超链接形式标明参考文献的出处已经成ؓ(f)一U习(fn)惯，而这也无疑正是PageRank最好的依据?BR>注意Q不要通过Link Farm提高自n的站Ҏ(gu)名：(x)Google?x)惩|那些主动链接到Link Farm站点以提高自w排名站点，相应站点的页面将不会(x)被收入到索引中。但如果你的面被别的Link Farm链接?jin)也不必担?j)Q因U被动的链接是不?x)被惩罚的?/SPAN>
- 不要吝啬l其他网站的链接Q如果一个网只有大量的q入链接Q而缺乏导出链接，也会(x)被搜索引擎认为是没有价值的站点。保证你的网站能够帮助搜索引擎更准确地判断哪些是对用h有h(hun)值的信息Q也是说如果你的网站只有外部反向链接而没有导出链接的话，也会(x)对你的网站在搜烦(ch)l果中的表现带来负面影响。当然网站中q一个导出链接都没有的情况非常罕见，除非你是Lq么做。正常情况下大家都会(x)自然地在|页中加上一些其他网站的链接Q带领访问者去到我们认为重要或能够提供更多有h(hun)g息的地方Q?
另外在推q自q站之前也?dng)R先需要了(jin)解自q站目前在一些搜索引擎中的知名度Q原理非常简单，可以参?A >如何评h(hun)|站的h?/A>一文?/P>
|站推广只是手段Q如何突出内宏V让需要相关信息的用户能够快的找C的网站才是目的，PageRank高ƈ不代表像Yahoo!q样的门L(fng)点就能在所有搜索结果中排名靠前Q因为搜索引擎的l果是搜索关键词在页面中的匹配度和页面的PageRank相结合的排名l果。因此第二个要点Q如何突出关键词?BR>
如何H出关键词：(x)面向主题(Theme)的关键词匚w
- Theme Engine正在逐步过PRQ成为结果排序中更主要的因素Q可以比较一下以下现象：(x)
- Z么查“新闠Z，“汽车”之cȝ文字Q各U门L(fng)站的首页不在W一位？要知道他们的面中都有相应频道的链接文字?
- 一新闻页面中Q搜索引擎如何不通过模板匚wQ自动将新闻的主体和面中的头Q栏目导航条Q页部分的内容区分开的？
首先能够描qC个页面内容的分成以下几种cdQ?BR>- 铑օ文字描述Qinbound link text
http://www.searchenginedictionary.com/terms-inbound-link.shtml
- HTML面标题Qtitle 好标题一般会(x)页面中最重要的关键词攑֜最前面Q比如：(x)ABC-10型吸器 - XX家电(sh)?
- HTML内容MQcontent text
- 铑և文字Qoutbound link text
子频? 子频? Q用户通过2Q?个关键词命中Q?BR> / \ / \
产品1 产品2 文章1 文章2 (用户通过3Q?个关键词命中Q这U用h有h(hun)?
- 不要I着标题Q空着<title></title>无异于浪费了(jin)最有h(hun)值的一块阵圎ͼ
不要使用meta keywords/description
传统的页面中QHTML面中会(x)有类g下的隐含信息Q用于说明当前网늚主要内容关键字：(x)
<header>
<meta name="keyword" content="mp3 download music...">
</header>
后来׃q种人工d关键词的方式被滥用，大量|页中ؓ(f)?jin)提高被搜?ch)引擎命中的概率，l常d一些和实际|页内容无关的热门关键比如：(x)“music mp3 download”等Q所以新一代的搜烦(ch)引擎已经不再兛_(j)面头文件中的h工meta keyword声明Q而页面标题在搜烦(ch)引擎的关键词的命中命中过E中往往有着更高的比重，如果一个关键词在标题中命中?x)比在页面中命中有更高的得分Q从而在相应的搜索结果排名中更靠前? - 标题长度和内容：(x)不要q长Q一般在40个字(80个字?以内Qƈ充分H出关键词的比重Q?BR>如果更长的标题搜索引擎一般会(x)忽略掉，所以要可能将主要关键词放在标题靠前的位置。省略掉不必要的形容词吧Q毕竟用户主要通过名词来找到需要的内容。标题内容：(x)量用一些别人可以通过关键词找到的字眼Q也别太q头Q如果标题中的字Dq?半内容中都没有，有可能被搜烦(ch)引擎排除出烦(ch)引）(j)Q因此基于web日志中来自其他搜索引擎的关键词查询统计非常必要?
- 如果|页很多的话Q尽量用不同的|页标题Q争取让自己|站的内Ҏ(gu)多的q入搜烦(ch)引擎索引范围Q?BR>因ؓ(f)搜烦(ch)引擎?x)根据页面内容的怼度把一些内容当成重复页面排除出索引范围Q?BR>http://www.chedong.com/phpMan.php是我的网站上的一个小应用Q一个web界面的unix命o(h)手册Qman pageQ，在以前的设计中所有动态页面用的都是同样的标题：(x)"phpMan: man page /perldoc /info page web interface" QGoogle索引?jin)大U?000多个面Q后来我页面标题改成了(jin)"phpMan: [命o(h)名]"q样的格式，比如Q?phpMan: ls"Q这样大部分动态页面的标题都不一样了(jin)Q一个月后Google从这个页面入口烦(ch)引了(jin)大约6000个页面。因此，如果|站中很多网都使用相同的标题，比如Q“新闻频道”，“论坛”，q些面中很大一部分׃(x)被排重机制忽略掉?
- 除了(jin)<title></title>外，q可以用<h1></h1>标题行突出内容主题，加强标题的效果；
在我的网站设计中Q我?x)把?lt;h1>[标题]</h1>q样的模板把标题H出昄Q而不是通过改变字体的方式突出标题?
其他|站设计提示
- ?rn)态链接：(x)Blog|站另外一个优势在于其|页是静(rn)态链接：(x)动态网占到整个互联网内容?0Q以上?SPAN style="FONT-WEIGHT: bold">各个搜烦(ch)引擎其实能够表现的都只不q是互联|的冰山一?3-5%)Q不同的只是谁让优质|页排名靠前的策略更优秀而已Q?/SPAN>大部分搜索引擎都认ؓ(f)?rn)态链接的|页是优质网，Google在优先抓取烦(ch)引的|页?0%以上是不带参数链接的?rn)态网c(din)而且即同样的内容，?rn)态网也?x)比动态网|重高Q很Ҏ(gu)理解Qquery?a=1&b=2q样的链接由于参数顺序颠倒的query?b=2&a=1完全相同。尽量用静(rn)态网：(x)目前能够动态网进行全面的索引q比较难Q而即使是Google也更不会(x)索引所有的内容Q因此很会(x)对参数超q?个的动态网进行进一步的抓取和分析。以下是一个phpBB论坛面q回的HTTP头信息：(x)
HTTP/1.1 200 OK Date: Wed, 28 Jan 2004 12:58:54 GMT Server: Apache/1.3.29 (Unix) mod_gzip/1.3.26.1a PHP/4.3.4 X-Powered-By: PHP/4.3.4 Set-Cookie: phpBB_data=a%3A0%3A%7B%7D; expires=Thu, 27-Jan-2005 12:58:54 GMT; path=/; Set-Cookie: phpBB_sid=09f67a83ee108ecbf11e35bb6f36fcec; path=/; Content-Encoding: gzip Cache-Control: private, pre-check=0, post-check=0, max-age=0 Expires: 0 Pragma: no-cache Connection: close Content-Type: text/html
Z(jin)避免隐私问题QGooglebot可以通过寚w面http header中的session id和session cookieq行一些甄别，q样很多需要认证信息的论坛内容无法进入烦(ch)引了(jin)?BR>M上说Google喜欢新的Q静(rn)态的内容。因此无Z效率上讲q是方便搜烦(ch)引擎收录Q用内容发布系l将|站内容发布成静(rn)态网都是非常必要的Q从某种E度上说google friendly = anonymous cache friendly?BR>比如Qhttp://www.chedong.com/phpMan.php/man/intro/3
比http://www.chedong.com/phpMan.php?mode=man¶meter=intro§ion=3q样的链接更Ҏ(gu)q入搜烦(ch)引擎的烦(ch)引。而且在URL中的命中也能H出关键词? - 能够q入Google索引的页面数量越多越好。用cM以下的脚本可以统计自q|站被搜索引擎烦(ch)引的情况?PRE>#!/bin/sh YESTERDAY=`date -d yesterday +%Y%m%d` # for FreeBSD: YESTERDAY=`date -v-1d +%Y%m%d` LOG_FILE='/home/apache/logs/access_log' grep -i Googlebot $LOG_FILE.$YESTERDAY|awk '{print $7}' |sort | uniq -c | sort -rn > spider/$YESTERDAY.googlebot.txt grep -i baiduspider $LOG_FILE.$YESTERDAY|awk '{print $7}' |sort | uniq -c | sort -rn > spider/$YESTERDAY.baiduspider.txt grep -i msnbot $LOG_FILE.$YESTERDAY|awk '{print $7}' |sort | uniq -c | sort -rn > spider/$YESTERDAY.msnbot.txt grep -i inktomi $LOG_FILE.$YESTERDAY|awk '{print $7}' |sort | uniq -c | sort -rn > spider/$YESTERDAY.inktomi.txt grep -i openbot $LOG_FILE.$YESTERDAY|awk '{print $7}' |sort |uniq -c | sort -rn > spider/$YESTERDAY.openbot.txt
- |站目录l构要扁qI因ؓ(f)每深一U目录，PAGERANK降低1Q?个档ơ。假N|3Q其子可能目录就??jin)，更深可能无法列入评U范围了(jin)?BR>
- 表现和内容的分离Q“绿艜y(c)网?BR>|页中的javascript和css可能和|页分离Q一斚w提高代码重用度（也方侉K面缓存）(j)Q另外一斚wQ由于有效内容占|页长度的百分比高，也能提高相关关键词在面中的比重也增加了(jin)。MQ应该鼓励遵循w3c的规范，使用更规范的XHTML和XML作ؓ(f)昄格式便于内容更长旉的保存?
- 让所有的面都有能够快速入口：(x)站点地图Q方便网늈虫（spiderQ快速遍历网站所有需要发布的内容。如果首就是用Flash或图片进入的话，无异于将搜烦(ch)引擎拒之门外Q除?jin)UI设计的用户友好外Qspider friendly也是非常重要的?
- 保持|站自n的健P(x)l常利用坏链(g)查工?/A>(g)查网站中是否有死链?
- 保持|页内容/链接的稳定性和持久性：(x)在搜索引擎烦(ch)引中|页存在的历史也是一个比较重要的因素Q而且历史比较久的|页被链接的几率高。ؓ(f)?jin)保证自q能够被比较持久的被其他|站的页面引用，如果自己|页中有链接更新Ӟ最好能保留旧的面q做好链接{向，以保持内容的q箋性。要知道Q把一个网站和内容在搜索引擎中的排名“培兠Z的很高是一仉怸Ҏ(gu)的事情，谁都不希望好不容易自q内容被别人找C(jin)Q点d是?04 面不存在”吧Q因此站点管理员对自w站点error.log的分析也是非常必要的?
- 文gcd因素QGoogle有对PDF, Word(Power Point, Excel), PS文档的烦(ch)引能力，׃q种文档的内Ҏ(gu)一般的HTMLl过?jin)更多的整理Q学术h(hun)g般比较高Q所以这些类型的文档天生比一般的HTMLcd的文?PageRank要高。因此，对于比较重要的文档：(x)技术白皮书QFAQQ安装文档等使用PDF PS{高U格式存取，q样在搜索结果中也能获得比较靠前的位|?
- 常常能发现门L(fng)点的一条新d往比其他站点的首页排名q要靠前。因此一个站Ҏ(gu)MP(yng)ageRank提高?jin)以后，往往自n一些ƈ不重要的内容也会(x)被同那些高PageRank的内容一起带入被搜烦(ch)引擎优先查询的列表中。这L(fng)帔R成很多大的开发站点的邮g列表归档往往比其他站点的首页PageRankq要高?
知己知彼——站点访问统?日志分析挖掘的重要?/A>
|站设计不仅仅只是被动的q合搜烦(ch)引擎的烦(ch)引，更重要是充分利用搜烦(ch)引擎带来的流量进行更深层ơ的用户行ؓ(f)分析。目前，来自搜烦(ch)引擎关键词统计几乎是各种WEB日志分析工具的标准功能，怿商业日志l计工具在这斚w应该?x)有更强化的实现。WEB日志l计q个功能如此重要Q以至于新的RedHat 8中已l将日志分析工具webalizer作ؓ(f)标准的服务器配置应用之一?BR>
以Apache/webalizerZQ具体的做法如下Q?- 记录讉K来源Q?BR>在Apache配置文g中设|日志格式ؓ(f)combined格式Q这L(fng)日志中会(x)包含扩展信息Q其中有一个字D就是相应访问的转向来源Q?HTTP_REFERERQ如果用h从某个搜索引擎的搜烦(ch)l果中找C(jin)你的|页q点击过来，日志中记录的HTTP_REFERER是用户在搜索引擎结果页面的URLQ这个URL中包含了(jin)用户查询的关键词?BR>
- 在webalizer中缺省配|针Ҏ(gu)索引擎的l计Q如何提取HTTP_REFERER中的关键?BR>webalizer中缺省有针对yahoo, google{国际流行搜索引擎的查询格式Q这里我增加?jin)针对国内门L(fng)点的搜烦(ch)引擎参数讄
SearchEngine yahoo.com p=
SearchEngine altavista.com q=
SearchEngine google.com q=
SearchEngine sina.com.cn word=
SearchEngine baidu.com word=
SearchEngine sohu.com word=
SearchEngine 163.com q=
通过q样讄webalizerl计时就?x)将HTTP_REFERER中来自搜索引擎的URL中的keyword提取出来Q比如：(x)所有来?google.com链接中，参数q的值都被作ؓ(f)关键词统计下来：(x)Q从汇ȝ计结果中Q就可以发现用户是根据什么关键词扑ֈ你的ơ数Q以?qing)找C的用h感兴的是那些关键词{，q一步的Q在webalizer中有讄q可以将l计l果倒出成CSV格式的日志，便于以后导入数据库进行历史统计，做更深层ơ的数据挖掘{?/P>
以前通过WEB日志的用户分析主要是单的Z日志中的讉K旉/IP地址来源{，很明显，Z搜烦(ch)引擎关键词的l计能得到的分析l果更丰富、更直观。因此，搜烦(ch)引擎服务的潜在商业h(hun)值几乎是不言而喻的，也许q也?A >Yahoo! Altavista{传l搜索引擎网站在门户模式后重新开始重视搜索引擎市(jng)场的原因Q看?A >Google的年度关键词l计q道了(jin)Q在互联|上有谁比搜索引擎更?jin)解用户对什么更感兴呢Q?BR>
L(fng)本站的反盔R接统计：(x)http://www.chedong.com/log/2003_6.log
需要注意的是：(x)׃Google针对Windows 2000中的IE使用的是UTF-8方式的编码，因此很多l计有时候需要在UTF-8方式下查看才是正字W显C。从l计中能够感受到Q在使用水^比较高的IT开发h员中Google已经成ؓ(f)最常用的搜索引擎。而用百度的用户也已l大大超q了(jin)传统的搜狐，新浪{门L(fng)点，因此传统门户|站在搜索引擎上的优势将是非常脆q。而从技术的发展势来看Q以后还?x)有更多的利用互联网媒体做更深层ơ数据挖掘的服务模式出现Q?BR>
转蝲自cnblog.org——“突发”文字可能揭C社?x)趋?/SPAN>
在“新U学家?New Scientist)在线杂志上，公布?jin)康奈尔大学的一个新研究成果Q引人注目，也许与Google 收购Pyra 的动机有兟?/SPAN>
q所大学的计机U学?Jon Klenberg 开发了(jin)一个计机法Q能够识别一文章中某些文字的“突发”增长，而且他发玎ͼq些“突发”增长的文字可以用来快速识别最新的势和热炚w题，因此能够更有效地{选重要信息。过d多搜索技术都采用?jin)简单计文?词组出现频率的方法，却忽略了(jin)文字使用增加的速率?/SPAN>
Jon 特别指出Q这U方法可以应用到大量Weblog上，以跟t社?x)趋势，q对商业应用也很有潜力。例如，q告商可以从成千上万的个人Blog 中快速找到潜在的需求风。而且只要Blog 覆盖话题范围_大（实际上发展趋势确实如此）(j)Q这Ҏ(gu)术对政治、社?x)、文化和l济{领域也都会(x)有实际意义了(jin)?/SPAN>
虽然Google 新闻的内部算法至今没有公开Q但是h们猜这U完全由机器所搜集的头条新d当不是Google搜烦(ch)引擎中惯用的鸽子法Q很可能与这U“突发”判断算法有兟뀂如此说来，Google收购Blog工具供应商的丑֊实q有更深层次的远见了(jin)?/SPAN>
- NewScientist.com news,
- q没有写完这些介l，?SlashDot 上也看到?jin)很多有兌个发现的讨?/SPAN>
附：(x)Google官方的站点设计指?/A>
- Make a site with a clear hierarchy and text links. Every page should be reachable from at least one static text link. 让网站有着清晰的结构和文本链接Q所有的面臛_要有一个静(rn)态文本链接入?BR>Ҏ(gu)Q尽量不要用囄和JAVASCRIPT
- Offer a site map to your users with links that point to the important parts of your site. If the site map is larger than 100 or so links, you may want to break the site map into separate pages.
为用h供一个站点地图：(x)转向|站的重要部分。如果站点地N面超q?00个链接，则需要将面分成多个面?BR>Ҏ(gu)Q烦(ch)引页不要过100个链接：(x)SPIDER只考虑面中头100个链? - Create a useful, information-rich site and write pages that clearly and accurately describe your content.
用一些有用的Q信息量丰富的站点，清晰q正的描述你的信息? - Think about the words users would type to find your pages, and make sure that your site actually includes those words within it.
惛_用户可能用来扑ֈ你的关键词，q保证这些关键词在网站中出现?BR>Ҏ(gu)Q少用“最大”，“最好”之cȝ形容词，用用h兛_(j)的词Q比如：(x)下蝲Q歌星名字，而不是一些抽象名词? - Try to use text instead of images to display important names, content, or links. The Google crawler doesn't recognize text contained in images.
可能用文本，而不是图片显C重要的名称Q内容和链接。GOOGLE的机器h不认识图片中的文字? - Make sure that your TITLE and ALT tags are descriptive and accurate.
保证Q页面的TITLE和ALT标记正确的精描q? - Check for broken links and correct HTML.
(g)查坏铑ƈ修正q些HTML错误? - If you decide to use dynamic pages (i.e., the URL contains a '?' character), be aware that not every search engine spider crawls dynamic pages as well as static pages. It helps to keep the parameters short and the number of them small.
如果你打用动态页面：(x)链接中包??"Q必M(jin)解：(x)q所有的搜烦(ch)引擎的机器h能想对待?rn)态页面一样对待动态页面，保持动态页面的参数可能的也?x)很有帮助? - Keep the links on a given page to a reasonable number (fewer than 100).
让一个页面中的链接少?00个?BR>Ҏ(gu)Q用lynx -dump http://www.chedong.com 可以模拟从robot角度看到的页面。其最后有链接l计
输出cMQ?BR>
[1]Google Free Search _______________________________ Google Search
(_) Search WWW (_) Search chedong.com
??[2]站点地图 / Site Map [3]?a?/ Guest Book [4]意见反馈 /
Feed Back
...
References
Visible links
1. http://www.google.com/services/free.html
2. http://www.chedong.com/sitemap.html#sitemap
3. http://www.chedong.com/guestbook/
4. http://www.chedong.com/formmail.htm
...
Hidden links:
50. http://www.chedong.com/bbcweb/
...
搜烦(ch)引擎的宗旨在于提取互联网中质量最好的内容提供l用PM有利于帮助用戯得相对公正，优质内容的策略都是搜索引擎追求目标。PageRank是一个非常好的策略，但是q所有策略都是基于非常复杂的法?BR>从搜索引擎看来什么是互联|中“好”的内容呢？
- 首先Q互联网大约?G个网，而且以每?M的速度增长的。其?0%以上是动态网，而占总量20%的静(rn)态网就是一个相Ҏ(gu)较简单的qo(h)规则?
- 其次Q用户友好（User friendlyQ也是很重要的方面，搜烦(ch)引擎利用法帮助提升q些优质|站Q包括：(x)通过CSS内容和表现分离Q较?yu)的javascript和framel构Qspider本n也很难深入抓取这些网：(x)Javascript和framel构大部分是q告?
- 标题明确Q无标题Q重复标题或者标题SPAMQ类gQ游戏游戏游戏游戏游戏游戏这L(fng)标题Q进行过滤或降低得分面大小Q因为页面过大会(x)D用户下蝲~慢Q所以很多引擎只计算面大小?00k以内的网c(din)?
- 链接引用Q不仅需要有链接铑օQ也需要帮助用h到其他更有h(hun)值的内容Q?
- 文gcdQPDF和DOC{专业文档和来自edu,gov{非赢利|站的内容；
- 铑օ|站的文字：(x)所有用户不可见的因素全部被忽略。此外：(x)用户搜烦(ch)的行为本w也被Google记录Q可能对目标|站的主题相兛_有帮助?
参考资料：(x)
面向Google搜烦(ch)引擎的网站设计优?BR>http://www.google-search-engine-optimization.com/
如何评h(hun)一个网站的人气
http://www.chedong.com/tech/link_pop_check.html
如何提高|站在Google中的排名——面向搜索引擎的q告模式
http://www.chedong.com/tech/google_ads.html
如何提高|站在Google中的排名——面向搜索引擎的|站链接设计
http://www.chedong.com/tech/google_url.html
Google不断改进相应的算法：(x)HillTop
Hilltop: A Search Engine based on Expert Documents
Google の秘?- PageRank 徹底解説
http://www.kusastro.kyoto-u.ac.jp/~baba/wais/pagerank.html
q篇文章是在?Google PageRank"的时候查到的Q这文章不仅有一个算法说明，也是一个Google的weblogQ记录了(jin)很多关于Google的新d一些市(jng)场动态信息?BR>Google 的秘? PageRank d解说 中文?/A>
更详l的PageRank法说明Q?BR>http://pr.efactory.de/
WEB日志l计工具AWStats的用：(x)增加?jin)Unicode的解码和中国主要门户搜烦(ch)的定?/A>
http://www.chedong.com/tech/awstats.html
Robots的说明：(x)
http://bar.baidu.com/robots/
http://www.google.com/bot.html
搜烦(ch)引擎通过一U程序robotQ又UspiderQ，自动讉K互联|上的网ƈ获取|页信息。?zhn)可以在(zhn)的网站中创徏一个纯文本文g robots.txtQ在q个文g中声明该|站中哪些内容可以被robot讉KQ哪些不可以?/P>
反Google站点Q观点也很有?BR>http://www.google-watch.org/
关于Google的WebLog
http://google.blogspace.com/
搜烦(ch)引擎相关论坛
http://searchengineforums.com/
http://searchenginewatch.com
http://www.webmasterworld.com/
1 引言
兌规则挖掘发现大量数据中项集之间有的兌或相兌pR它在数据挖掘中是一个重要的NQ最q几q已被业界所q泛研究?/FONT>
兌规则挖掘的一个典型例子是购物分析。关联规则研I有助于发现交易数据库中不同商品Q项Q之间的联系Q找出顾客购买行为模式，如购C(jin)某一商品对购买其他商品的影响。分析结果可以应用于商品货架布局、货存安排以?qing)根据购买模式对用户q行分类?/FONT>
Agrawal{于1993q首先提Z(jin)挖掘֮交易数据库中w间的兌规则问题[AIS93b]Q以后诸多的研究人员对关联规则的挖掘问题q行?jin)大量的研究。他们的工作包括对原有的法q行优化Q如引入随机采样、ƈ行的思想{，以提高算法挖掘规则的效率Q对兌规则的应用进行推qѝ?/FONT>
最q也有独立于Agrawal的频集方法的工作[HPY00]Q以避免频集Ҏ(gu)的一些缺P探烦(ch)挖掘兌规则的新Ҏ(gu)。也有一些工作[KPR98]注重于对挖掘到的模式的h(hun)D行评伎ͼ他们提出的模型徏议了(jin)一些值得考虑的研I方向?/FONT>
2 基本概念
设I={i1,i2,..,im}是项集，其中ik(k=1,2,?m)可以是购物篮中的物品Q也可以是保险公司的֮。设d相关的数据D是事务集Q其中每个事务T是项集，使得TÍI。设A是一个项集，且AÍT?/FONT>
兌规则是如下Ş式的逻辑蕴涵QA Þ BQAÌI, AÌIQ且A∩B=F。关联规则具有如下两个重要的属性：(x)
支持? P(A∪B)Q即A和Bq两个项集在事务集D中同时出现的概率?/FONT>
|信? P(B｜A)Q即在出现项集A的事务集D中，wB也同时出现的概率?/FONT>
同时满最支持度阈值和最置信度阈值的规则UCؓ(f)则。给定一个事务集DQ挖掘关联规则问题就是生支持度和可信度分别大于用户l定的最支持度和最可信度的关联规则，也就是生强规则的问题?/FONT>
3 兌规则U类
1) Z规则中处理的变量的类别，兌规则可以分ؓ(f)布尔型和数值型?/FONT>
布尔型关联规则处理的值都是离散的、种cd的，它显CZ(jin)q些变量之间的关pR?/FONT>
数值型兌规则可以和多l关联或多层兌规则l合hQ对数值型字段q行处理Q将其进行动态的分割Q或者直接对原始的数据进行处理，当然数值型兌规则中也可以包含U类变量?/FONT>
2) Z规则中数据的抽象层次Q可以分为单层关联规则和多层兌规则?/FONT>
在单层关联规则中Q所有的变量都没有考虑到现实的数据是具有多个不同的层次的?/FONT>
在多层关联规则中Q对数据的多层性已l进行了(jin)充分的考虑?/FONT>
3) Z规则中涉?qing)到的数据的l数Q关联规则可以分为单l的和多l的?/FONT>
在单l关联规则中Q我们只涉及(qing)到数据的一个维Q如用户购买的物?/FONT>
在多l关联规则中Q要处理的数据将?x)涉及(qing)多个维?/FONT>
4 法lD
4.1 l典的频集算?/FONT>
Agrawal{于1994q提Z(jin)一个挖掘顾客交易数据库中项集间的关联规则的重要Ҏ(gu) [AS94a, AS94b]Q其核心(j)是基于两阶段频集思想的递推法。该兌规则在分cM属于单维、单层、布?yu)(dng)关联规则?/FONT>
所有支持度大于最支持度的项集称为频J项集，U频集?/FONT>
4.1.1 法的基本思想
首先扑և所有的频集Q这些项集出现的频繁性至和预定义的最支持度一栗然后由频集产生强关联规则，q些规则必须满最支持度和最可信度?/FONT>
挖掘兌规则的M性能q一步决定，W二步相对容易实现?/FONT>
4.1.2 Apriori核心(j)法分析
Z(jin)生成所有频集，使用?jin)递推的方法。其核心(j)思想要描q如下：(x)
(1) L1 = {large 1-itemsets};
(2) for (k=2; Lk-1¹F; k++) do begin
(3) Ck=apriori-gen(Lk-1); //新的候选集
(4) for all transactions tÎD do begin
(5) Ct=subset(Ck,t); //事务t中包含的候选集
(6) for all candidates cÎ Ct do
(7) c.count++;
(8) end
(9) Lk={cÎ Ck |c.count³minsup}
(10) end
(11) Answer=∪kLk;
首先产生频繁1-wL1Q然后是频繁2-wL2Q直到有某个rg得Lr为空Q这时算法停止。这里在Wkơ@环中Q过E先产生候选k-w的集合CkQCk中的每一个项集是对两个只有一个项不同的属于Lk-1的频集做一?k-2)-q接来生的。Ck中的w是用来生频集的候选集Q最后的频集Lk必须是Ck的一个子集。Ck中的每个元素需在交易数据库中进行验证来军_其是否加入LkQ这里的验证q程是算法性能的一个瓶颈。这个方法要求多ơ扫描可能很大的交易数据库，卛_果频集最多包?0个项Q那么就需要扫描交易数据库10遍，q需要很大的I/O负蝲?/FONT>
可能产生大量的候选集,以及(qing)可能需要重复扫描数据库Q是Apriori法的两大缺炏V?/FONT>
4.1.3 法的优?/FONT>
Z(jin)提高法的效率，Mannila{引入了(jin)修剪技术来减小候选集Ck的大[MTV94]Q由此可以显著地改进生成所有频集算法的性能。算法中引入的修剪策略基于这样一个性质Q一个项集是频集当且仅当它的所有子集都是频集。那么，如果Ck中某个候选项集有一?k-1)-子集不属于Lk-1Q则q个w可以被修剪掉不再被考虑Q这个修剪过E可以降低计所有的候选集的支持度的代仗?/FONT>
4.2 改进的频集算?/FONT>
4.2.1散列
该算法由Park{在1995q提出[PCY95b]。通过实验发现L频繁w的主要计是在生成频J?wL2上，Park是利用q个性质引入散列技术来改进产生频繁2w的方法?/FONT>
其基本思想是：(x)当扫描数据库中每个事务，由C1中的候?w产生频繁1wL1ӞҎ(gu)个事务生所有的2wQ将它们散列到散列表l构的不同桶中，q增加对应的桶计敎ͼ在散列表中对应的桶计C于支持度阈值的2w不可能是频繁2wQ可从候?w中删除，q样可大大压羃?jin)要考虑?w?/FONT>
4.2.2 事务压羃
Agrawal{提出压~进一步P代扫描的事务数的Ҏ(gu)[AS94b, HF95]。因Z包含MKw的事务，不可能包含Q何（K+1Q项集，可对q些事务加上删除标志,扫描数据库时不再考虑?/FONT>
4.2.3 杂凑
一个高效地产生频集的基于杂凑的法由Park{提出[PCY95a]。通过实验我们可以发现L频集主要的计是在生成频J?-wLk上，Park{就是利用了(jin)q个性质引入杂凑技术来改进产生频繁2-w的方法?/FONT>
4.2.4 划分
Savasere{设计了(jin)一个基于划分的法[SON95]Q这个算法先把数据库从逻辑上分成几个互不相交的块，每次单独考虑一个分块ƈ对它生成所有的频集Q然后把产生的频集合qӞ用来生成所有可能的频集Q最后计这些项集的支持度。这里分块的大小选择要得每个分块可以被攑օdQ每个阶D只需被扫描一ơ。而算法的正确性是由每一个可能的频集臛_在某一个分块中是频集保证的。上面所讨论的算法是可以高度q行的，可以把每一分块分别分配l某一个处理器生成频集。生频集的每一个@环结束后Q处理器之间q行通信来生全局的候选k-w。通常q里的通信q程是算法执行时间的主要瓉Q而另一斚wQ每个独立的处理器生成频集的旉也是一个瓶颈。其他的Ҏ(gu)q有在多处理器之间共享一个杂凑树(wi)来生频集。更多的关于生成频集的ƈ行化Ҏ(gu)可以在文献[AS96]中找到?/FONT>
4.2.5 选样
基本思想是在l定数据的一个子集挖掘。对前一遍扫描得到的信息Q仔l地l合分析Q可以得C个改q的法QMannila{先考虑?jin)这一点[MTV94]Q他们认为采h发现规则的一个有效途径。随后又由Toivonenq一步发展了(jin)q个思想[Toi96]Q先使用从数据库中抽取出来的采样得到一些在整个数据库中可能成立的规则，然后Ҏ(gu)据库的剩余部分验证这个结果。Toivonen的算法相当简单ƈ显著地减了(jin)I/O代h(hun)Q但是一个很大的~点是产生的结果不_Q即存在所谓的数据扭曲(data skew)。分布在同一面上的数据时常是高度相关的Q可能不能表C整个数据库中模式的分布Q由此而导致的是采?%的交易数据所p的代价可能同扫描一遍数据库相近?/FONT>
4.2.6 动态项集计?/FONT>
Brin{hl出该算法[BMUT97]。动态项集计数技术将数据库划分ؓ(f)标记开始点的块。不象Apriori仅在每次完整的数据库扫描之前定新的候选，在这U变形中Q可以在M开始点d新的候选项集。该技术动态地评估以被计数的所有项集的支持度，如果一个项集的所有子集以被确定ؓ(f)频繁的，则添加它作ؓ(f)新的候选。结果算法需要的数据库扫描比Apriori ?/FONT>
4.3 FP-?wi)频集算?/FONT>
针对Apriori法的固有缺PJ. Han{提Z(jin)不生候选挖掘频J项集的Ҏ(gu)—FP-?wi)频集算法[HPY00]。采用分而治之的{略Q在l过W一遍扫描之后，把数据库中的频集压羃q一频J模式树(wi)QF(tun)P-treeQ，同时依然保留其中的关联信息，随后再将FP-tree分化成一些条件库Q每个库和一个长度ؓ(f)1的频集相养I然后再对q些条g库分别进行挖掘。当原始数据量很大的时候，也可以结合划分的Ҏ(gu),使得一个FP-tree可以攑օd中。实验表明，FP-growth对不同长度的规则都有很好的适应性，同时在效率上较之apriori法有巨大的提高?/FONT>
4.4 多层兌规则挖掘
对于很多的应用来_(d)׃数据分布的分散性，所以很隑֜数据最l节的层ơ上发现一些强兌规则。当我们引入概念层次后，可以在较高的层ơ上q行挖掘[HF95, SA95]。虽然较高层ơ上得出的规则可能是更普通的信息Q但是对于一个用h说是普通的信息Q对于另一个用户却未必如此。所以数据挖掘应该提供这样一U在多个层次上进行挖掘的功能?/FONT>
多层兌规则的分c：(x)Ҏ(gu)规则中涉?qing)到的层ơ，多层兌规则可以分?f)同层兌规则和层间关联规则?/FONT>
多层兌规则的挖掘基本上可以沿用“支持度-可信度”的框架。不q，在支持度讄的问题上有一些要考虑的东ѝ?/FONT>
同层兌规则可以采用两种支持度策略：(x)
1) l一的最支持度。对于不同的层次Q都使用同一个最支持度。这样对于用户和法实现来说都比较的Ҏ(gu)Q但是弊端也是显然的?/FONT>
2) 递减的最支持度。每个层ơ都有不同的最支持度Q较低层ơ的最支持度相对较小。同时还可以利用上层挖掘得到的信息进行一些过滤的工作?/FONT>
层间兌规则考虑最支持度的时候，应该Ҏ(gu)较低层次的最支持度来定?/FONT>
4.5 多维兌规则挖掘
对于多维数据库而言Q除l内的关联规则外Q还有一cdl的兌规则。例如：(x)
q龄QXQ?0...30”）(j) 职业QX,“学生”）(j)==> 购买(XQ“笔记本?sh)脑?
在这里我们就涉及(qing)C个维上的数据Q年龄、职业、购买?/FONT>
Ҏ(gu)是否允许同一个维重复出现Q可以又l分为维间的兌规则Q不允许l重复出玎ͼ(j)和合维兌规则Q允许维在规则的左右同时出现Q?/FONT>
q龄QXQ?0...30”）(j) 购买(XQ“笔记本?sh)脑? ==> 购买(XQ“打印机?
q个规则是混合l关联规则?/FONT>
在挖掘维间关联规则和混合l关联规则的时候，q要考虑不同的字D늧c：(x)U类型和数值型?/FONT>
对于U类型的字段Q原先的法都可以处理。而对于数值型的字D，需要进行一定的处理之后才可以进行[KHC97]。处理数值型字段的方法基本上有以下几U：(x)
1) 数值字D被分成一些预定义的层ơ结构。这些区间都是由用户预先定义的。得出的规则也叫做静(rn)态数量关联规则?/FONT>
2) 数值字D|据数据的分布分成?jin)一些布?yu)(dng)字Dc(din)每个布?yu)(dng)字D都表示一个数值字D늚区间Q落在其中则?Q反之ؓ(f)0。这U分法是动态的。得出的规则叫布?yu)(dng)数量关联规则?/FONT>
3) 数值字D被分成一些能体现它含义的区间。它考虑?jin)数据之间的距离的因素。得出的规则叫基于距ȝ兌规则?/FONT>
4) 直接用数值字D中的原始数据进行分析。用一些统计的Ҏ(gu)Ҏ(gu)值字D늚D行分析，q且l合多层兌规则的概念，在多个层ơ之间进行比较从而得Z些有用的规则。得出的规则叫多层数量关联规则?/FONT>
5 展望
对于兌规则挖掘领域的发展，W者认为可以在如下一些方向上q行深入研究Q在处理极大量的数据Ӟ如何提高法效率Q对于挖掘迅速更新的数据的挖掘算法的q一步研IӞ在挖掘的q程中，提供一U与用户q行交互的方法，用L(fng)领域知识l合在其中；对于数值型字段在关联规则中的处理问题；生成l果的可视化Q等{?/FONT>
参考文?/FONT>
[AIS93b] R. Agrawal, T. Imielinski, and A. Swami. Mining association rules between sets of items in large databases. Proceedings of the ACM SIGMOD Conference on Management of data, p.p. 207-216, May 1993.
[AS94a] R. Agrawal, and R. Srikant. Fast algorithms for mining association rules in large database. Technical Report FJ9839, IBM Almaden Research Center, San Jose, CA, Jun. 1994.
[AS94b] R. Agrawal, and R. Srikant. Fast algorithms for mining association rules. In Proc. 1994 Int. Conf. Very Large Databases(VLDB?4), Sep. 1994.
[AS96] R. Agrawal, and J. Shafer. Parallel mining of association rules: Design, Implementation, and Experience. IEEE Trans. Knowledge and data engineering, 8:962-969, Jan. 1996.
[BMUT97] S. Brin, R. Motwani, J. D. Ullman, and S. Tsur. Dynamic itemset counting and implication rules for market basket data. In ACM SIGMOD International Conference On the Management of Data, p.p. 255-264, May 1997.
[HF95] J, Han and Y. Fu. Discovery of multiple-level association rules from large databases. In Proc. 1995 Int. Conf. Very Large Databases(VLDB?5), p.p. 402-431, Sep. 1995.
[HPY00] J.Han,J.Pei, and Y.Yin.Mining. Frequent patterns without candidate generation. In Proc. 2000 ACM-SIGMOD Int. Conf. Management of Data (SIGMOD?0), p.p. 1-12, May 2000.
[KHC97] M. Kamber, J. Han, J. Chang. Metarule-guided mining of multi-dimensional association rules using data cubes. In Proc. 1997 Int. Conf. Khowledge Discovery and Data Mining(KDD?7), p.p. 207-210, Aug. 1997
[KPR98] J. Kleinberg, C. Papadimitriou, and P. Raghavan. Segmentation problems. Proceedings of the 30th Annual Symposium on Theory of Computing, ACM. Sep. 1998.
[MTV94] H. Mannila, H. Toivonen, and A. Verkamo. Efficient algorithm for discovering association rules. AAAI Workshop on Knowledge Discovery in Databases, p.p. 181-192, Jul. 1994.
[PCY95a] J. S. Park, M. S. Chen, and P. S. Yu. An effective hash-based algorithm for mining association rules. Proceedings of ACM SIGMOD International Conference on Management of Data, p.p. 175-186, May 1995.
[PCY95b] J. S. Park, M. S. Chen, and P. S. Yu. Efficient parallel data mining of association rules. 4th International Conference on Information and Knowledge Management, Baltimore, Maryland, Nov. 1995.
[SA95] R. Srikant, and R. Agrawal. Mining generalized association rules. Proceedings of the 21st International Conference on Very Large Database, p.p. 407-419, Sep.1995.
[SON95] A. Savasere, E. Omiecinski, and S. Navathe. An efficient algorithm for mining association rules in large databases. Proceedings of the 21st International Conference on Very Large Database, p.p. 432-443, Sep. 1995.
[Toi96] H. Toivonen. Sampling large databases for association rules. Proceedings of the 22nd International Conference on Very Large Database, Bombay, India, p.p. 134-145, Sep. 1996.
转自Q?A >http://www.dmresearch.net/survey/association_rule_survey.htm