智能关键词研究

// 要点先行：使用 Python 进行语义分析

import spacy
from sentence_transformers import SentenceTransformer

# 加载语言模型
nlp = spacy.load("zh_core_web_sm")
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

def analyze_query_intent(query):
    # 语义分析
    doc = nlp(query)
    entities = [(ent.text, ent.label_) for ent in doc.ents]
    
    # 生成语义向量
    embedding = model.encode([query])
    
    return {
        "entities": entities,
        "embedding": embedding,
        "intent": classify_intent(doc)
    }

// 要点先行：使用 LLM 进行关键词扩展

const expandKeywords = async (seedKeyword, industry) => {
  const prompt = `
    作为SEO专家，请为"${seedKeyword}"生成相关的长尾关键词。
    行业：${industry}
    要求：
    1. 包含不同的用户意图（信息型、交易型、导航型）
    2. 考虑语义相关性
    3. 包含问题式查询
    4. 提供搜索难度评估
  `;
  
  const response = await openai.chat.completions.create({
    model: "gpt-4",
    messages: [{ role: "user", content: prompt }]
  });
  
  return parseKeywordSuggestions(response.choices[0].message.content);
};

// 要点先行：关键词聚类算法实现

from sklearn.cluster import KMeans
from sklearn.feature_extraction.text import TfidfVectorizer

def cluster_keywords(keywords, n_clusters=5):
    # TF-IDF 向量化
    vectorizer = TfidfVectorizer(max_features=1000)
    X = vectorizer.fit_transform(keywords)
    
    # K-means 聚类
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    clusters = kmeans.fit_predict(X)
    
    # 返回聚类结果
    return {
        'clusters': clusters,
        'centers': kmeans.cluster_centers_,
        'labels': vectorizer.get_feature_names_out()
    }