如何通過@sejournal、@artios\u io使用Python通過蒐索意圖自動進行SEO關鍵字聚類

2 years ago 64
ARTICLE AD BOX
編輯; s注:隨著2021年的結束,我們; 今年,阿斯蒂爾(astir)在搜尋引擎雜誌(SearchEngine Journal)上發表了一篇廣受歡迎的、老練的文章,慶祝耶誕節倒數12天

這一假設是由我們的編輯團隊根據每篇文章策劃的; s的效能、實用性、質量和為您、我們的讀者創造的價值

在12月24日之前,每次; 我將轉載年度冠軍專欄中的1篇,從第12比特開始,倒數到第1比特。 今天是圖11,原始出版日期為2021年7月28日

廣告

繼續閱讀下麵的內容

感謝您為《搜索引擎雜志》撰稿並與讀者分享您的滿意內容

享受每一個人


; 這是一個認知astir狩獵意圖的批次,從利用深度學習通過使用自然語言處理(NLP)科技對物質進行分類並分解SERP標題來推斷狩獵意圖,到基於聚類的關聯語義關聯,並解釋了其好處

不是孤注一擲,我們認識到破譯狩獵意圖的好處– 我們也為標準化和自動化處理提供了一套科技

但通常,這些影響會聚集你的AI。 如果您不知道該怎麼辦; 你對這段視頻不感興趣嗎

廣告

繼續閱讀下麵的內容

在本專欄中,您; ll larn是一個逐步的過程,通過使用Python自動進行關鍵字聚類

SERP包含對蒐索意圖的洞察

有些方法要求您必須從排名標題中獲取每個文字,並滿足固定關鍵字的要求,通過provender將其輸入神經網路示例(您可以通過體格檢查和測試),俄勒岡州,可能是您自己; 重新利用NLP聚集關鍵字

有不同的方法可以讓您使用Google’ 這是一個精確的人工智慧為你抨擊製定,而不必刮每個SERP滿意和體質的人工智慧模型

Let’ s假設Google根據滿足特殊査詢成功的可能性降序排列tract URL。 囙此,如果兩個關鍵字的意圖相同,則過去的SERP傾向於使用類似的鈹

多年來,大量的SEO專業人士對關鍵字的SERP結果進行了比較,以推斷共亯(或共亯)蒐索意圖,從而實現覈心更新的頂點,說實話,這是一件新鮮事

現時的附加值是這種比較的自動化和規模化,提供了一些速度和更高的精度

如何使用Python(帶程式碼)按蒐索意圖按比例對關鍵字進行聚類

從您的SERPs結果開始,並成功下載CSV繼續閱讀下麵的內容。 將清單導入Python筆記本進口砷鈀 進口numpy砷np serps_輸入=pd。 讀取csv('data/sej\u serps\u input.csv') 下麵的serps_輸入是導入到數據幀中的serps記錄

2。 篩選第1頁的數據

我們可以在關鍵字之間比較每個SERP的第1頁結果

廣告

繼續閱讀下麵的內容; ll將數據幀劃分為迷你關鍵字數據幀,以理順先前重組為奇數數據幀的過濾關係,這是因為我們需要過濾靜態關鍵字級別:

#Split serps\u grpby\u關鍵字=serps\u輸入。 groupby(“關鍵字”) k_url=15 #應用聯合收割機 def篩選器_k_URL(組df): 過濾的\ u df=組\ df。 loc[group_df['url'].notnull()] 過濾的_-df=過濾的_-df。 loc[filtered_df['rank']<=k_URL] 工具性過濾 過濾的\u serps=serps\u grpby\u關鍵字。 應用(篩選URL) #結合 ##為檔名添加首碼 #標準化的。 添加首碼(“標準化的首碼”) #與原型資訊框架連接 過濾的\u serps\u df=pd。 concat([filtered_serps],軸=0) del filtered_serps_df['keyword'] 過濾的\u serps\u df=過濾的\u serps\u df。 重置索引() del過濾的服務檔案[1級] 過濾的\u serps\u df

三,。 將排名URL轉換為字串

,因為確定的URL比關鍵字更具有SERP效應,囙此我們要求將這些URL壓縮為與關鍵字相對應的奇异設定; s SERP

此處; 操作方法:

#使用折開應用組合將個人結果轉換為字串 filtersps\u grpby\u關鍵字=已過濾的\u serps\u df。 groupby(“關鍵字”) def串_serps(df): df['serp_string']=''。 加入(df['url']) 工具性df #結合 strung_serps=filterps_grpby_關鍵字。 應用(字串\u serps) #與原型資訊框架連接並清理 串線=pd。 concat([string_serps],軸=0) strung_serps=strung_serps[['KEYOND','serp_string']]。 總目(30) 串線=串線。 删除重複項() 下麵的strung_serps

顯示了每個關鍵字壓縮為奇數的SERP< br>

4。 比較SERP相似性

要執行比較,我們將請求關鍵字SERP的每個操作與不同的對配對:

廣告

繼續閱讀下麵的內容 def serps_對齊(k,df): 素數df=df。 loc[df.keyword==k] prime_df=prime_df。 重命名(列={“serp_string”:“serp_string_a”,“關鍵字”:“關鍵字a'}) comp_df=df。 loc[df.keyword!=k]。 重置索引(drop=True) prime_df=prime_df。 loc[基本測向索引重複(鏡頭(合成測向索引))]。 重置索引(drop=True) 素數df=pd。 concat([prime_-df,comp_-df],軸=1) prime_df=prime_df。 重命名(列={“serp_string”:“serp_string_b”,“keyword':“keyword_b”,“serp_string_a”:“serp_string”,“keyword_a':“keyword”}) 工具素數 列=['keyword'、'serp_string'、'keyword_b'、'serp_string_b'] 匹配的serps=pd。 數據幀(列=列) 匹配的\u serps=匹配的\u serps。 菲爾納(0) 査詢=string_serps。 關鍵字。 to_list() 對於q成功査詢: 溫度df=serps\U對齊(q,串接) 匹配的\u serps=匹配的\u serps。 附加(臨時測向) 匹配的\u serps

上面顯示了每個關鍵字SERP支架組合,使其可用於SERP拉絲比較

沒有一個未固定的根檔案室可以按順序比較資料庫對象,老實說,下麵已經為您編寫了關係

廣告

繼續閱讀下麵的關係&lsquo; serp_compare&rsquo; 比較兩個SERP之間網站的重疊和這些網站的出價進口