第一：針對提取出的內容進(jìn)行分詞處理

　　個(gè)人認為，搜索引擎可能采用了某種算法，對內容先進(jìn)行了詞語(yǔ)粗分階段，先得出N個(gè)概率最大的切分結果;然后，利用角色標注方法識別未登錄詞，并計算其概率，將未登錄詞加入到切分詞圖中，之后視其為普通詞處理，最終進(jìn)行動(dòng)態(tài)規劃優(yōu)選出N個(gè)最大概率切分標注結果。并進(jìn)行記錄。

第二：搜索引擎首先對要要分析的網(wǎng)頁(yè)進(jìn)行凈化處理

　　網(wǎng)頁(yè)凈化主要是去掉網(wǎng)頁(yè)中大量無(wú)用的廣告、導航欄等網(wǎng)頁(yè)模板噪聲以及無(wú)意義的內容，如Javascript腳本，CSS標記等內容。至于搜索引擎采用的是何種算法，則不為我們所知，但是個(gè)人估計應該是對網(wǎng)頁(yè)進(jìn)行劃分為不同的快，通過(guò)衡量網(wǎng)頁(yè)塊的重要程度來(lái)判斷出包含主題內容的塊，然后提取出該塊的內容，至于搜索引擎如何判別網(wǎng)頁(yè)快的重要程度，那是另外一個(gè)課題。

第三：對關(guān)鍵詞的權重進(jìn)行確定分析

　　在完成對文章分詞切分和凈化工作之后，就要將文章所有關(guān)鍵詞進(jìn)行分析了，筆者的想法是搜索引擎將文本表示成Ⅳ維特征向量，每一維分量由關(guān)鍵詞及其權重組成。一般認為，關(guān)鍵詞在文中的權重的確定，主要由三部分組成，詞頻，位置和詞義共同影響決定。而詞頻和位置對詞語(yǔ)或短語(yǔ)的影響可以通過(guò)確定的算法加以確定，詞義權重也有固定的算法進(jìn)行分析計算。搜索引擎利用設定好的算法對上述關(guān)鍵詞進(jìn)行了計算和分析。從而得到最后的結果。

第四：對初步分詞的結果進(jìn)行去除無(wú)意義的詞語(yǔ)

　　搜索引擎通過(guò)對第二步的分詞結果進(jìn)行分析，去除一些語(yǔ)氣詞和形容詞等非實(shí)意詞和一些單詞，同時(shí)還考慮到單字詞所表達的信息不夠完整也應當濾除。去除停用詞通過(guò)建立一個(gè)停用詞列表來(lái)實(shí)現。這樣，通過(guò)去除這些無(wú)意義的詞之后，剩下的就是有意義的，值得分析的詞匯了。

　筆者認為，搜索引擎通過(guò)上面的步驟進(jìn)行分析后，得到最后的結果，而筆者在這里談?wù)勛约簩λ阉饕�擎具體的分析方式，只是個(gè)人見(jiàn)解：

第一：搜索引擎基于關(guān)鍵詞出現的頻率

　　網(wǎng)頁(yè)中不同關(guān)鍵詞的總數，這是一個(gè)很重要的方面。個(gè)人認為雖然關(guān)鍵詞出現的位置和詞頻大小對關(guān)鍵詞權重影響很大，但是詞頻大并不能決定該詞語(yǔ)適合作為關(guān)鍵詞。舉個(gè)簡(jiǎn)單的例子，我們在一篇文章中對“美國’’進(jìn)行優(yōu)化，出現的詞頻很大，出現的位置也很重要，但是這個(gè)詞還是不能賦予較高的權重，因為“美國’’也廣泛的出現在其他的文獻中，在這些文獻中，“美國"也存在頻率大和所在位置也比較重要。因此，對那些詞頻較高但又不適合作為關(guān)鍵詞的詞語(yǔ)賦予的權重應該較低。

第二：搜索引擎基于關(guān)鍵詞位置的權重

　　在文檔中，關(guān)鍵字所在的位置對于搜索引擎判斷某個(gè)關(guān)鍵字在頁(yè)面的權重起到很重要的作用。比如說(shuō)域名被搜索引擎認為是網(wǎng)站最固定的因素，例如：域名里面含有 DVD關(guān)鍵字的域名，在用戶(hù)檢索關(guān)鍵字DVD的時(shí)候具有先天的優(yōu)勢。標題是網(wǎng)站的最寶貴的資源，搜索引擎認為標題是在瀏覽器標題欄里而顯示，因為要顯示給用戶(hù)，所以它是文件最重要和最簡(jiǎn)潔的摘要。適當突出關(guān)鍵字在標題的比重非常有利于排名的提高。

第三：文檔中重要關(guān)鍵詞之間的距離

　　個(gè)人分析，文檔中重要關(guān)鍵詞之間的距離應該也是衡量關(guān)鍵詞與文章的相關(guān)性的一個(gè)重要方面。