数据分析III – 维护词库

前言
　　具体上一篇SEO数据分析文章已经隔了很久了，今天有个朋友网上问我，有了词库怎么维护。正好借这个机会谈谈这个问题。 在获取到大量关键词后，首先要对这些词进行处理，在我实际工作中，总结以下几个项目我做过或者觉得有必要做的事情。
　　提取实体(通俗点讲就是找关键词中的重点词)
　　去重
　　受控词表
　　分类
　　提取实体
　　提取实体的概念就是找关键词中的重点词。比如 “北京温泉哪里好”，那这个词中的”北京 “和”温泉”这两个词是重点，”哪里好”只是一个疑问词，对主题描述帮助相对比较小。于是我们就需要通过一些技术手段，对关键词进行处理，把中间重要的关键词（实体）取出来。
　　先看看下面的关键词
　　处理前
　　北京博物馆大全
　　北京怀北滑雪场
　　杭州到北京动车
　　北京金山岭长城
　　北京旅行社排名
　　北京冬天去哪玩
　　西安到北京高铁
　　厦门到北京机票
　　处理后
　　北京|博物馆
　　北京|怀北|滑雪场
　　杭州|北京|动车
　　北京|金山岭|长城
　　北京|温泉
　　北京|旅行社|排名
　　北京|冬天|玩
　　西安|北京|高铁
　　厦门|北京|机票
　　可以仔细观察一下两者的不同。这边算法有很多种实现方法，鉴于从SEO的角度出发，我们对精确度和召回率的要求，一般都比较低。从0%到80%要花费的心思，可能还没从80%——100%要花费的心思多。并且不同行业的，会有略微不同的做法。于是我采取以下两个方法
　　1.根据词性删除停词符号(多删一些不要紧)
　　2.根据tf-idf过滤高频词(什么是tf-idf请自行脑补)
　　这边说说分词算法，很多学术派研究了一大堆中文分词算法，但实际运用起来差别很小。这边随便推荐几个，根据自己会的语言使用。
　　ICTCLAS http://ictclas.nlpir.org/downloads 语言:Java,C#
　　CRF++ http://crfpp.sourceforge.net/ ; 语言: C#
　　SCWS http://www.xunsearch.com/scws/ 语言: PHP
　　JIEBA https://pypi.python.org/pypi/jieba/ 语言ython
　　分词也是一门大学问，有兴趣可以看看CRF,HMM等模型的逻辑。这边就不展开讲了。
　　分词关键的问题是要速度快，并且可以自定义词库。由于我用的是JIEBA，这方面都能支持。具体可以看看作者个github中的说明https://github.com/fxsjy/jieba/blob/master/README.md
　　分词后根据词性，排除掉”停词”，就获取到了我们想要的结果集合。
　　过滤高频词。JIEBA可以对整个文本提取tf-idf值高的词。这些词是核心，肯定不可以去掉。
　　然后根据分词结果获取到tf值高的词，进行人工审核一下，以我们旅游行业词库为例，地名是经常出现的词，tf值可能会非常高，但是绝对不能把它去掉。所以我们需要先准备一份中国地名/景点名词库，这个可以在网上搜索下，懒人可以直接用搜狗输入法的词库。
　　然后高频词中还有可能会出现的词，可能为”7月”，”8月”，”大全”，”线路”等等。这些词也可以考虑把它从实体词中踢除。
　　经过这几轮检查，基本就差不多了，再要精度可以再自行研究。肯定有人问，你折腾了这么久，有什么用？这边只能点到为止。
　　1.内容关联
　　2.自动tagging
　　3.提高站内检索精度
　　去年到今年搜房和安居客的SEO可以体会一下。
　　去重
　　提取实体后，就可以对关键词进行去重。
　　例如
　　海南旅游多少钱
　　海南旅游要多少钱
　　处理后
　　海南|旅游
　　海南|旅游
　　就可以进行去重了。上面着两个个词，还可以通过实体相同的方法来解决。但是有一些关键词，比如”马尔代夫”和”马代”，”长城”和”八达岭”，用户可以是指一个地方，我们应该怎么处理这些词。我们就需要下面这么一个东西“受控词表”
　　受控词表
　　受控词表，就是一种控制词汇含义，并且跟踪其相关词的方法。回到上面的例子，如果你搜索”八达岭”的时候，不能把长城的内容展现出来，相信用户早就跑光了。
　　受控词表主要有如下三大关系：等价，层级，关联
　　等价很好理解，比如马尔代夫和马代，那是等价关系，这类词可以说就是一个意思，权值是最高的。在内容推荐中一定要呈现出来。
　　层级有上下级之分，比如“夫子庙”是”南京景点大全”的下级词。”大成殿”又是”夫子庙”的下级词。在实际应用的时候，当用户在寻找”大成殿”时，网站可以告诉用户你位于”夫子庙”中间，并且推荐夫子庙周围还有些什么好玩的东西，用户一定会非常喜欢。层级关系也是大部分网站都有的信息架构体系，从首页，到目录，到栏目。
　　关联，有点类似于等价，但是并不完全相同，例如”三亚跟团游”，”海口自助游”，”海南旅游 双飞”。他们没有说明确的上下级关系，但是又不能说完全一样。这类词，我们可以把其作为有关联的东西。可以记录下来。此外，一些内容的自带的属性，比如高，富，帅，可以作为一个相关联的关键词，在内容推荐上更加满足用户的口味。
　　这边还要提一点，在工作中，我们发现了用户有时候会有一些特殊的词汇来表达自己的需求，比如”麻袋”（谐音马代），或者”百撕不得骑姐”这样该死的输入法错拼，这些关键词都需要存放起来。
　　最后应该是这样的效果：
　　分类
　　对于获取到的大量关键词，应该怎么去分类。首先可以按照意图进行分类，导航，信息，事务。（学习资料-知乎：http://www.zhihu.com/question/20905145）
　　这么做的好处是，可以快速知道把哪一类词，分给哪条产品线做。例如信息类的词，尽量放到资讯，问答，产品库这样的频道。导航类的词，如果是自己品牌可以做，如果是竞争对手品牌，可以单独做频道。事务类的词，一般放在主力产品线上，页面上会有功能体现，比如”添加到购物车”，”下载链接“，”在线预定”等等。在一定程度上满足用户的需求，避免内容错位。比如这个 http://iphone.tgbus.com/tag/iphone6tieba/ “iphone6贴吧”。贴吧在哪？好歹给个链接地址吧。
　　除了上面的分意图类法，下面讲讲从结合信息架构中的分类方法。
　　先介绍一个人工分拣关键词的方法：卡片分拣。通过尝试，这的确是一种可以集思广益的分类方法。我们从”马尔代夫”的关键词词库中抽取了500个关键词，随机分配给
　　5个小组。每组把手头上的关键词进行自由分组，并且自行命名组名。然后再汇聚5个小组的组名，这样我们就确定了大约10个小分类，并且找到了一些之前单枪匹马没有想到的内容。
　　最后的情况大致上

　　有了分类，我们在网页结构组织上，可以更加有的放矢。具体可以看看malpes.tuniu.com的左侧分类，实际操作过程中，我们也有一定的筛选和层级控制考虑。例如货币，语言，气候，都可以归入介绍里面。关于这个频道我们也很少去做外部链接，内容也只是无数目的地中的一个，不可能有很多人力盯着这个栏目，但是专心做用户喜欢的内容，这个频道的表现还是相当不错的。
　　这时候如何构建内容，就非常清晰了，直接从词库中找关键词然后写内容就可以，总比成天写”马尔代夫报价”，“马尔代夫旅游报价”等无价值文章，做所谓的核心词表现要好很多。
　　我们只是分了500个关键词，词库中还有上万的待分类马尔代夫的关键词，随着时间的推移，新加入的关键词也会越来越多。可以使用机器学习的方法来做。这边本人也还在研究学习中，写出来怕贻笑大方，抛砖引玉一下，使用决策树，根据已有卡片分拣的关键词作为训练文档，根据受控词表中的元数据包含与否作为特征，生成决策树，以便于进行自动分类。
　　总结
　　1.算法不是问题，关键是适合自己行业词库，至于词库怎么来，方法实在太多，可以看我另一篇文章中说的 http://www.imyexi.com/?p=708 关键词挖掘部分
　　2.词与词之间的关系，是内容推荐，内容运营中的利器，同样也提升了用户体验，这边不得不吐槽下，用户体验是需要技术的，不是喊喊口号。
　　3.本来想写兴趣点挖掘，后来一想词库中的每个词都是兴趣点，只要控制好词库的更新，兴趣点不是问题。
　　4.有了思路，执行力也很重要。词库属于网站内容底层基础，弄好这个，后面可以避免很多重复劳动和无用功。（被坑得深有体会）
　　5.本人非科班出生，很多技术术语，名词解释，全凭自己学习理解，有错误请指正学习。