陈慧：2008年以来，一直致力于东莞seo行业，到2013年已有四五年的东莞seo经验，曾在3158致富网、爱帮网工作过，2012年至今在美团。
感觉东莞seo没有什么的朋友往往都只是停留在东莞seo的表面，在实际工作中也只是常规性地为页面堆砌一下关键词，然后就群发外链，其实如果大家进一步接触一下大型数据网站的东莞seo工作，就会了解东莞seo真的挺复杂。比如在设计内链、控制内容方面，不是只丢给技术部门“控制相关”的要求就可以了，技术人员不是万能的，他们可以帮你实现一些效果，但是并不一定能够了解你的真正需求，此时就需要东莞seo人员给技术人员一定的算法框架的建议。
业内一般建议东莞seo新人只了解搜索引擎简单原理就可以了，不必深入研究搜索引擎使用的各种算法，这只是为了让大家能够更快捷地入门而已，当你深入这个行业的时候，不可避免地就会面临各种“相关”、 “有意义”、 “有价值”等内容、链接和页面的提取、推荐或设计的工作，这些往往也是需要东莞seo人员去研究和设计的，技术人员只是辅助实现而已。所以有时候站内的一些产品或设计做的不到位，不要只埋怨技术部门，其实根本上是东莞seo人员产品设计的不到位。
陈慧对各种算法有比较深入的研究，并一直研究如何把这些算法切实应用到日常的东莞seo工作中，因此笔者特地邀请陈慧为本书分享了这样的一篇文章，希望读者可以了解到东莞seo工作的另一面，对东莞seo有一个更深入的认识。做东莞seo项目中，如何给一大批页面分类？如何给一大批词分类？如图15-9所示有一个链接位。
这块链接位除了相关性计算之外，怎样把最有价值的那批词挖掘出来，动态运营起来？换个角度想，其实也是对关键词的一个分类，只要把高价值的关键词分类出来就可以。
通过对贝叶斯的认识，在分类这块，或许可以给我们更多的启发和思考。
贝叶斯分类有两种实现方法，分别是朴素贝叶斯分类器和贝叶斯信念网络。这里介绍的是朴素贝叶斯分类器。
贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。
先验概率是指根据以往经验和分析得到的概率。
后验概率，简单地说，是根据先验概率，通过贝叶斯公式，得到的概率。
贝叶斯公式：P(BIA)=P(AB)×P(B)/P(A)
尸但陋）：事件A发生的条件下，事件B发生的概率。即上面所说的后验概率。
P(AB):类条件概率，事件占发生的条件下，事件彳发生的概率。
P(B）：事件B发生的概率，可以根据已有的数据计算得到的先验概率。
P（A）：事件A发生的概率。
全概率公式，如图15-10所示。
设实验E的样本空间为S，A为E的事件，B1,B2，…Bn为S的一个划分，且P(Bi)>O(i=1，2，…，n)，则P(A )=P(AB1)×P(B1)+ P(AIB2)×P(B2)+…+P(AIBn)×P(Bn).
无限个划分下的贝叶斯公式：
若B1,B2 - -为一系列互不相容的事件，且则对任一事件A，有
这里的分母部分，就是全概率公式P(A)=P(AlBl)XP(B1)+P(AIB2)×P(B2)+…+P(AIBn) XP(Bn)
中，刀趋于无穷大的情况。
当i=6，k=ll时，即事件彳发生，事件B6发生的概率。
当i=9，k=ll时，即事件彳发生，事件B9发生的概率。
比较图15-11所示两个概率的大小，由于分母相同，只需要比较分子。又因为，朴素贝叶斯分类器在估计类条件概率时假设属性之间条件独立，所以，P (AIBi)可以连乘，当彳包含多个参数，其分子P (AIBi)×P(Bi) =P (Al=xlIBi) XP (Al=x2lBi)×……×P(An=xnIBi》<P (Bi).
下面举个例子来更好地说明这个公式。
假设有10个样本数据，包含性别、职位、学历、年龄、薪水5个参数，数据如表15-7所示。
求：职位是东莞seo工程师，学历为本科，年龄在25-30岁，薪水为10000元女性的概率大还是为男性的概率大？
尸（职位=东莞seo工程师I性别=女）=1/3
P（学历=本科r陛别=女）=1/3
P（年龄=25-301性别=女）=1/3
P（薪水=10000工程师I性别=女）=1/3
P（职位=东莞seo工程师l性别=男）=1/7
P（学历=本科P陛别=男）=3/7
P（年龄=25-30[性别=男）=4/7
P（薪水=10000工程师l性别=男）=1/7
P(性别=女)=3/10
JP（性别=男）=7/10
尸（性别=女l职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000）
=[P（职位=东莞seo工程师I性别=女）XP（学历=本科I性别=女）XP（年龄=25-301性别=女）XP（薪水=10000工程师I性别=女）XP（性别=女）]/P(职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000)
= [1/3×1/3×1/3×1/3×3110]IP(职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000) =0.0037/p（职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000）
P（性别=男l职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000）=[P（职位=东莞seo工程师I性别=男）XP（学历=本科I性别=男）XP（年龄=25-301性别=男）XP（薪水=10000工程师I性别=男）XP（性别=男）UP(职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000)= [1/7×3/7×4/7×1/7×7/10]/P(职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000)=0.035/P（职位是东莞seo工程师，学历为本科，年龄在25-30，薪水为10000）0.0037<0.035
所以，职位是东莞seo工程师，学历为本科，年龄在25-30岁，薪水为10 000元男性的概率大。
如果需要把符合这个条件的页面进行分类，那么这个页面就分到男性。
这就是通过朴素贝叶斯分类的方法，得到的分类。这种通过计算条件概率来分类的方法，可以运用到很多项目中。
比如，可以延伸到一批页面分类，每个页面由Ⅳ个参数组成，根据已有的数据，计算先验概率，然后通过贝叶斯公式，计算后验概率，哪个类别的后验概率最大，就分到哪个分类下。具体运用在这里就不说了。
除了页面的分类，关键词的分类，也一样可以运用上。回到文章开头说的，如何选出高价值关键词动态放在链接位上？
首先，需要对高价值关键词进行定义，不同的网站对高价值关键词定义的维度可能不同，这里举一个最简单的定义方法。
比如把关键词月visits>=100定义为高价值关键词，月visits<100，且>=20定义为中价值关键词，月visits<20定义为低价值关键词。
然后，需要找出高价值关键词的影响因素，比如百度排名、百度日均搜索量等。有如表15-8所示的样本。
为了简化计算，需要对以上数据进行处理，比如将排名、搜索量包括月visits划分到不同的区间内，如表15-9所示。
（注：以上区间的划分只看了这10个样本数据，不是实际区间，是个假设）。
为更好地说明问题，把相同参数的相同区间用同样的字母和标号显示，如表15-10所示。
Al、A2、A3、A4与Bl、B2、B3、B4、B5、B6、B7 -共有28种区间组合，比如AIB1、AIB2等组合，分别计算各组合的高、中两个概率，比较两个概率的大小，如果是高价值的概率大，把这两个区间组合分到高价值关键词分类库。最后再把所有的高价值区间组合按概率大小排序。
程序动态计算，不管排名和搜索量怎么变化，高价值关键词都会在高价值关键词库中。实现常见的东莞seo需求，例如聚类、相关以及内容核心关键词提取等，每个网站根据自身的数据情况都会有各种不同的方法，希望陈慧这篇文章能够带给读者更多的思路。
最后附上陈慧的个人微博：http://t.qq.com/chenhui8com，陈慧会在微博中分享不少干货。另外，读者对文章中的内容有任何疑问，或有其他东莞seo问题需要交流，都可以通过微博同陈慧进行联系。
更多精彩，敬请期待
