刷百度相关搜索发包参数详解

Posted 2021-03-26 68xi

    因很多人需要百度相关搜索，很多人用这个技术卖钱，自己本着技术的爱好，把这个分享给大家！

 

   刷相关搜索的实现方法：

第一：比如圆柱模板，我们可以先搜索圆柱模板厂家，然后接着再去搜索圆柱模板价格，那么每天以几倍的方式增加，当达到一定搜索量的时候，那么圆柱模板的相关词搜索就会出现圆柱模板价格了。

  打开百度首页//www.baidu.com/输入圆柱模板出来的地址为：

  

https://www.baidu.com/s?ie=UTF-8&wd=%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF

　　这串代码中：

%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF

　　

      是代表圆柱模板的代码

   再出来的页面中输入你要的品牌，比如鹏程圆柱模板，输入完毕后，点百度一下。

     

https://www.baidu.com/s?bs=%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF&f=8&rsv_bp=1&wd=%E9%B9%8F%E7%A8%8B%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF&inputT=54390

　　  这串代码中：

    

%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF

　　是不变的，代表：圆柱模板  关键词

   f=8这个数值是会变动的。范围为：

  0-9.数值越高，代表着这个相关搜索的词越容易做上去。

   

%E9%B9%8F%E7%A8%8B%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%

　　代表的是：鹏程圆柱模板 这个相关词的代码

   

inputT=54390

　　代表这个是代表搜索结果出来的运算时间

   

相关搜索算法实现原理：

用户后继词原理：

把用户在5分钟之内在搜索引擎中搜索词定义为一次搜索行为，那么就形成了搜索日志，搜索日志如下：

cookie:用户cookieid keys:[A1,A2.....] [B1,B2.....] [C1,C2.....]

接着按用户进行分类，时间间隔5分钟进行数据清理，[x1,x2.....]一个数组表示一次搜索行为，每个数组的第一位就是当次搜索行为的第一个搜索词。

cookie:用户cookieid keys:[A1,A2.....] [B1,B2.....] [C1,C2.....]

对于单个用户来说搜索后继词的确定性是不够的，比如搜索科比，但是一看到旁边有人我就立刻改变搜索培训，那么这两个词是没有相关性质的。那么就加入统计规则去掉一些杂质，比如某个词B只有出现在5个用户的相同的搜索词A的后继词中才算一个A的后继词，还有其他的一些规则，这么下来，日志就变成了。

key：A succeed：A1,A2,A3.....

用户协同过滤原理：

当搜索用户日志足够多的情况，可以把拥有相同搜索记录的用户聚合起来，通过协同过滤算法，获取更多的相关性的词。通过下面协同过滤算法同样可以把加索尔推荐给NBA了。

A用户：篮球 后继词 男篮 女篮

B用户：NBA 后继词 男篮 科比

C用户：男篮比赛 后继词 男篮 加索尔

从搜索词算法实现：

如果一个关键词搜索词结果，跟另外一个，甚至几个关键词搜索出来的结果很多交集，那么这些关键词很可能也是语义相关的词。

从搜索日志来看例子：

key:搜索词 time:搜索时间 cookie:用户cookieid result:a,b,c,d,e(前5个搜索结果)

这次，我们只用key和result两项，稍微处理下来以后就变成了

key:搜索词A result:a,b,c,d,e(前5个搜索结果)

key:搜索词B result:a,f,c,g,m(前5个搜索结果)

如果我们把每一行数据的result想象成一篇文档，result里面的每个结果集想象成一个词语，那么这其实就是求两个文档之间的相似性了，从头到尾过一遍就可以找到每一行数据和它最相似的数据了，而每一行可以用当行的搜索词表示，这么一算下来数据就变成这样子了，后面的括号里面是两个词的相似度，如果想知道文本的相似性如何计算，可以参考我之前的文章，本文最后有链接。

key：搜索词Asucceed：搜索词B(0.8)搜索词C(0.6).....

key：搜索词Bsucceed：搜索词A(0.8)搜索词E(0.7).....

有了上面这个数据，拍一个阈值(比如0.7)卡一下，就得到最后的相关搜索的结果了。

这个计算相似性的方法的计算量比较大，而且阈值没有卡好的话容易出现不相关的结果，在实际工程应用中使用得不多，下面这个方法使用得更多点，相当于这个的加强版。

从用户搜索结果集考虑

如果某个搜索结果(比如一个网页或者一个商品)出现在了不同的搜索词的结果集中，那么这些个搜索词很可能是相关的，如果这个搜索结果在不同的搜索词下都被点击了，那么这些个词的相关性就更高了。

点击的加成是很强大的，而且在数据量巨大的情况下，我们可以只考虑点击的情况，还是拉出搜索日志，不过这次是搜索点击日志了，拉出来处理一下就变成下面这个样子，每行就是某个搜索词下点击的商品

key：搜索词Aclick:结果A结果B结果C

这个样子和上面第二种方法最后出来的样子基本一样，不过这次是点击数据，相关性可比直接的搜索结果要好很多了，因为搜索结果取决于你的搜索算法，而这种点击数据是来自用户的，人的可靠性可高了不少，所以说这个是上一个的加强版。

我们可以按照上一个的方法按文本相似性的方法进行处理，但是计算量也比较大，如果再仔细看看这个数据的样子，如果我们把相关搜索系统想象成豆瓣，搜索词看成豆瓣的用户，搜索结果集看成是豆瓣的电影，那么相关搜索就变成了一个豆瓣的猜你感兴趣的人，也变成了一个协同过滤的推荐系统了(协同过滤算法可以参考文章最后的链接)，上一节的协同过滤算法的数据是词和后继词，这里是词和点击结果，虽然数据集不同，但是可以用一样的算法，所以，搜索和推荐技术其实是密不可分的，既然这样，完全可以用协同过滤算法进行推荐了。

协同过滤的算法，简单版本整体不会超过200行，很容易实现的。

通过这样的方式，容易推出意思相近的词，同样也容易推出看似完全不相关但仔细想想还是靠谱的词，就像下面这样，他们虽然不见得近义词，但是很可能会点击到同一个结果上。