淺析原創(chuàng)內(nèi)容怎么被百度拋棄的原因

　　假如使用數(shù)據(jù)庫查詢，雖然可以得到一些結果，但查詢過程過于復雜，數(shù)據(jù)量大的網(wǎng)站查詢耗時太長，很難靈活應用到普通頁面。本文提出一種相對簡樸的分析方法可以解決這個題目。

　　每個用戶在網(wǎng)站上的訪問軌跡在網(wǎng)站日志或者數(shù)據(jù)庫中，都是一串URL，有的只訪問了一兩步，有的訪問了成百上千步，如何在如斯復雜繁多的數(shù)據(jù)中找到用戶在訪問某個頁面（例如服裝首頁）之前或者之后n步，有多少人訪問過特定頁面（例如交易頁面）？

　　先拋開這個題目，我們想象這樣一個場景：在一個大會場中，熟人坐在某個座位上，假如我們知道他們的位置，我們的眼睛很輕易聚焦到這幾個位置，自動忽略其他座位的人，請參看圖1。同樣，人們在觀察附近事物時，常常會把精力聚焦到自己關心的事物上，下意識忽略其他。我們曾經(jīng)做過這樣的實驗，我們的講演廳有4個很大的外置式擴音器，分列在兩側。留意不是那種不顯眼的內(nèi)置式，任何人只要輕微留心就會看到。而當我們要求會場的人閉上眼睛回答會場有幾個擴音器時，很少有人能給出準確謎底，由于大部門人會關心更重要的東西，好比會議內(nèi)容，提問題目，甚至是如何找個恬靜的位子也比擴音器的多少更讓人關心。

　　
網(wǎng)站日志

　　圖1

　　回到我們網(wǎng)站遇到的題目，某個項目的設計師關心的頁面并非全部，而只是幾個與之頁面有關的頁面和部門重要的指標頁面。因此我們可以去除相關性不大的頁面，只留存關心頁面，從而縮短用戶路徑，大大進步計算效率。

　　另外，我們把索引的思惟引入分析過程中，把網(wǎng)頁的URL按照一定規(guī)則（例如正則表達式）替代成簡樸字符，把相關性不大的頁面統(tǒng)計替代為統(tǒng)一個字符（例如“0”），把一些過渡性的頁面替代成某個字符（例如”p”），如斯以來，每個用戶的訪問路徑就可以表示為一個字符串，例如”a,c,0,0,0,a,p,p,c,0,c,d,0,0,0”。也有的用戶的訪問路徑全為相關性不大的頁面，此時，路徑為”0,0,0,0,0,0,0,0,0,0,0,0,0,0”，這表示用戶并未訪問到目標頁面，假如不需要計算用戶比例或用戶分類，那么這樣的記實我們可以刪除掉。

　　假如需要留存其他的用戶信息，例如cookieid，登錄名，訪問時間等信息，這個字符串會更加復雜些。假如我們研究目的比較簡樸，還可以進一步處理，假如不需要對步長信息進行分析，我們可以去掉相鄰重復的一些數(shù)據(jù)，把上式簡化為” a,c,0,a,p,c,0,c,t,0”。

　　這個過程請參看圖2中的①和②，由此我們可以得到多個用戶的路徑的字符串形式的文件。

　　
網(wǎng)站日志

　　圖2

　　得到這個聚焦式用戶路徑文件后，我們就可以對這個字符串文件進行分析了。例如，我們需要計算a頁面后有多少個c頁面，需要能忽略中間的翻頁頁面（p頁面）。在上例中的這個用戶的字符串中，就是1個用戶，2次c頁面。假如在訪問了其他頁面之后再訪問c頁面的行為也可計算入內(nèi)的話，那就是1個用戶，3次c頁面。

　　接下來就是分析的樣本量題目。一般分析過程中會講究“多而全”，但數(shù)據(jù)量大到一定級別，分析1/10甚至1/100人群與分析全樣本所得到的結果相差無幾，花費良多資源去晉升一點精確度是一件很得不償失的事情。因此可以酌情分析小樣本量，節(jié)省分析本錢。

　　因為目標頁面業(yè)務的獨特性，每次需要分析的方式也很個性化。路徑查詢器可以靈活應對各種查詢。例如，我們需要計算a后面有t的人次，a后面緊隨著c的人次，行為符合某種模式的用戶數(shù)有多少等等。需要統(tǒng)計的模式在分析算法配置文件（圖2中的③）中進行配置，查詢器會計算并導出終極結果。

　　另外，查詢器還支持分類信息查詢，根據(jù)用戶路徑文件的配置信息，對每種分類的人群分別查詢，或者導出符合某種模式的人群Cookieid，用戶名等，與其他數(shù)據(jù)存儲媒介聯(lián)接，取得這部門人群的其他信息，從而進行綜合分析。

　　這種方法長處在于比較靈活，假如網(wǎng)站的URL規(guī)則比較規(guī)范，在配置過程中可以多采用正則表達式，從而可以發(fā)現(xiàn)更多有趣的現(xiàn)象。