求同存异的网站优化

    SEO似乎已经成为现在网站推广的代名词之一,面对不同类型的网站我们的优化侧重点是否相同呢?这个可以说是仁者见仁智者见智了。现在网络如果按网站内容来划分的化可以分为企业站、博客、导航和商城,那么针对不同的网站我们要如何来对待呢?今天和笔者小丹一起来分析求同存异的网站优化方式。





    大面上来看,面对不同类型的网站我们的侧重点应该是不一样的。之前笔者小丹分享的网站优化经验中多以企业站为主,从中我们可以了解到,优化好一个企业站基础得分很重要,它关乎了网站后期维护运营的起点。而针对其其他类型的网站,其实是同样适用的。不论网站类型是怎样的一种形式,网站的基础优化得分必须要完善。网站的结构布局、代码简化、title书写、META标签设置、关键词地位及网站打开速度是任何一个网站都SEO优化所必须要做好的。这样在后期内容更新时才能够做好内容相关、信息匹配才能够获得搜索引擎的信任。


    再者,网站布局讲究的全面性,虽然各网站所展现的内容是不同的,但是布局的核心都是为了留住用户,降低跳出率,增加用户体验。正式这个共同的特点证明了不同类型网站之间相同的优化技术合并点。做一个优质的网站布局,就是当用户进入一个页面亦登陆页后能够根据其推荐来引导用户继续点击浏览而非直接关闭退出网站,这样才能够让搜索引擎给网站好的排名。


    相同的网站优化基点都停留在网站的基础优化中,而当做好基础优化后,我们就要根据网站类型的不同来进行深度优化。网站类型的不同也就意味着网站所要展现的内容,要给用户的体验也是不同的。那么就要分开来做,有针对性的来做,如果还是一视同仁那么即便基础优化给了网站很好的加分也会因为相关性和体验环节而将你踢出有效排名。
    
    根据内容的不同我们将网站类型划分为四类,不同类型的网站在优化中那些是要区别对待的呢?依旧是在布局上!这是一个矛盾点,布局优化是基础优化中必须要做好的一部分,而不同类型网站的受众的不同,其需求也是有所差异化的,那么在基础优化布局中的的结构上就要对网站进行差异搭建。找寻各类网站最大用户需求关注点,然后将该部分布局在网站最为优质的版块部位,这样就可以尽可能的留住用户。不同于基础优化布局,它是结合了网络用户分析而做出的进一步需求分析格局,这样才能够进一步提高网站转化率。


    不同的优化技巧还体现在外链上,我们知道内链是将网站内部系统化,形成一张完美的站内地图来增加spider对网站深度和广度爬行。而外链则涉及到了相关性,也就说在制作外链上不能再一条路走到黑,只要可以做链接就大批量的做,这样的网站是不利的。有的网站需要做外链,如企业站,可以提升网站曝光率;而有的网站则不需做大量外链,如导航站,它们属于导出连体系。而后,同样是根据网站的侧重不同找到相关的同向站来制作外链。


    网站优化笼统说来是大同小异的,对于细致划分的差异化优化技术大都是细节的问题。不过,我们都知道在网络环境中,笼统的技术已经冗杂,要想做好网站优化就要“斤斤计较”从细节面出发。


     (转载请注明转自:笔者小丹,谢谢!珍惜别人的劳动成果,就是在尊重自己!)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值