SEO必须注意的三个减分项

419百度震动,很不幸,某个主打网站被降权,排名全没,关于seo我真的是心惊胆战,说起seo,可能大多数的朋友都觉得仅仅是写原创+发外链,诚然,这的确是最简单最基础的seo手法,不过如果seo真的这样简单,那么seoer也用不上这么悲剧,百度的算法天知地知百度知,反正你我不知,在做seo的过程中,不仅需要注意加分项(原创、高质量外链等),还需要注意减分项,那么什么是减分项?我结合我自身的案例,举一些实实在在的例子。

1、最常见的减分项就是推荐性内容不收录,什么是推荐性内容?我个人理解,主要包括:推荐性连接、导航链接、热门文章,这三种形式。

首先我们需要了解一个问题,就是页面不被收录,则不具有投票权。所谓推荐性链接,在我的网站中出现的最多的可能就是一个“xxx排行榜”的文章页面,因为我目前主要就是在研究淘宝客,做的网站基本上也都是和淘宝客相关,而排行榜则是转化率最好的页面之一,所以,我在很多的文章最后,都会添上一句“您可能还会对这些内容感兴趣:xxx2013最新排行榜”,这个排行榜的页面很简单,主要就是图片和标题,基本上就是在淘宝摘抄的,百度直到现在也没有收录我的这个页面,没有收录,也就是没有权重,这可能是我网站被降权的重要原因之一。

另外,刚才还提及到导航链接和热门文章,这两个和推荐链接是类似的道理,只是出现在不同的位置,导航基本上是固定不变的,而热门文章很多也都是系统自动根据浏览量判定的,如果这个页面没有收录,我们给他大量的链接,也是不能够传递权重的,当然,这个新站可能大多数页面都没有收录,这个不要紧,总会有写页面被收录,在做内链的时候,如果以考虑seo为主,那么,我觉得还是链接到已经被收录的页面更好一些,如果是为了转化,这个自然另论,当然,最好是二者兼而得之,孰轻孰重,大家自己掂量一下吧。

2、网站的导出链接过多,也会严重影响网站的权重,这个我想是大家都知道的事情,对此,我觉得有两点需要提示一下,第一,对外的导出链接不仅仅是首页链接,内容页面和分类页面一样都算是导出链接;第二,和高权威的网站做导出链接,可能还会对自己的网站有好处,这个好处是能够增加你的网站的权威度,就好比是我说小明是好学生,你可能不信,但是我告诉你“小明是好学生”这句话是马云说的,不信你自己去看,链接地址如下。之后你点击进去一看,恩,是真的,马云真的说小明是个好学生,这样无意间也提升了我们网站自己的知名度和信任度。

3、Nofollow  标签尽量少用,我相信以博客形式做淘宝客的朋友不会不知道pretty link 之类的插件吧?这个插件能够变外链为内链,同时也有一个nofollow选项的功能,记得以前看过相关的说明,虽然没看懂,但是也按着图示每次都把这个nofollow标签 前面打上了对勾,但是我个人感觉不是很好,虽然有nofollow选项,但是 如果出现太多,也不是很好,这毕竟是你的内链,如果你自己都不推荐,那不就等于再告诉搜索引擎这个网站不值得推荐,我想大家应该知道吧,nofollow是用来拒绝垃圾外链的,如果你用的太多,岂不是再告诉你的网站就是垃圾网站?所以,这个nofollow还是要慎重使用。

乐站网分享:http://www.lzhan.com

转载于:https://my.oschina.net/u/1035544/blog/124640

  • 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