网站优化时建议title,anchor和页面内容相匹配（网页标题的优化）

25-04-10 4

在这篇文章中，我们将为您详细介绍网站优化时建议title,anchor和页面内容相匹配的内容，并且讨论关于网页标题的优化的相关问题。此外，我们还会涉及一些关于CSS——CSS网站优化三大标签(titl

在这篇文章中，我们将为您详细介绍网站优化时建议title,anchor和页面内容相匹配的内容，并且讨论关于网页标题的优化的相关问题。此外，我们还会涉及一些关于CSS——CSS网站优化三大标签(title，description，keyword)、FreeAnchor：抛弃单一的IoU匹配，更自由的anchor匹配方法 | NIPS 2019、javascript – 删除#anchor之后的所有内容,包括#anchor、jsp页面中如何取得当前页面的中的值的知识，以帮助您更全面地了解这个主题。

本文目录一览：

网站优化时建议title,anchor和页面内容相匹配（网页标题的优化）
CSS——CSS网站优化三大标签(title，description，keyword)
FreeAnchor：抛弃单一的IoU匹配，更自由的anchor匹配方法 | NIPS 2019
javascript – 删除#anchor之后的所有内容,包括#anchor
jsp页面中如何取得当前页面的中的值

网站优化时建议title,anchor和页面内容相匹配（网页标题的优化）

　　近来在百度搜索上了网站数据生产指导的公开课，里面提到了建议title,anchor和页面内容相匹配，也许朋友们没有注意到，或者不太了解，这里就给大家简单的解释一下。

　　先注意一下anchor表示锚，SEO中的理解是锚文本。

　　标题，anchor和页面内容匹配，实际上是指关联!无忧SEO告诉大家网页标题一定要和内容相关，昨天给大家强调SEO优化网站的主题和内容不能有太大的偏差。

　　为何强调相关性?道理很简单，只有那些集中注意力，且与用户需求形成强烈关联的内容，才能更好地解决用户问题，才能赢得搜索引擎的信任，进而获得好的关键词排名。

　　title与页面内容匹配，这应该很好理解，那么如何理解anchor与页面内容匹配呢?每个人都还得无忧SEO解释过友情链接除了投票之外还可以辅助关联，搜索引擎可以通过友情链接对网站的主题进行初步判断。

　　而且anchor，即锚文本，实际上就是这个意思。一个搜索引擎可以通过anchor来了解页面内容的真实情况，如果anchor与页面内容相关，这个anchor可以发挥积极的作用;相反地，如果不相关不匹配，它会误导搜索引擎，最终可能导致惩罚。

　　因此大家在操作锚文本链接时，也要注意到链接的相关性，要注意与页面内容的匹配。

　　你也可以结合四角字来理解，页面标题，文章或产品页面标题，内容，外链链接文本等等，这四个地方做到匹配的关键字，就能大大提高页面的相关性。“四处奔波”这个词以前很流行，现在也很流行，这种讲究方法技巧的做法不会过时。

　　我司SEOer对title,anchor和页面内容匹配的问题讲得很简单。总而言之，在做网站优化时一定要注意网站的相关性，整个网站的相关性就是这样，具体的页面就是这样。在这个信息膨胀的时代，搜索引擎需要向搜索用户提供更多相关的内容，如果我们不能做好相关性，就会丧失基本竞争力。

CSS——CSS网站优化三大标签(title，description，keyword)

SEO是由英文Search Engine Optimization缩写而来，中文意译为“搜索引擎优化”！SEO是指通过对网站进行站内优化、网站结构调整、网站内容建设、网站代码优化等)和站外优化，从而提高网站的关键词排名以及公司产品的曝光度。简单的说就是，把产品做好，搜索引擎就会介绍客户来。

我们现在阶段主要进行站内优化。

网页title 标题

title具有不可替代性，是我们的内页第一个重要标签，是搜索引擎了解网页的入口，和对网页主题归属的最佳判断点。

建议：

首页标题：网站名（产品名）- 网站的介绍

例如：

京东(JD.COM)-综合网购首选-正品低价、品质保障、配送及时、轻松购物！

小米商城 - 小米5s、红米Note 4、小米MIX、小米笔记本官方网站

Description 网站说明

对于关键词的作用明显降低，但由于很多搜索引擎，仍然大量采用网页的MATA标签中描述部分作为搜索结果的“内容摘要”。就是简要说明我们网站的主要做什么的。
我们提倡，Description作为网站的总体业务和主题概括，多采用“我们是…”“我们提供…”“×××网作为…”“电话：010…”之类语句。

京东网：

<Meta name="description" content="京东JD.COM-专业的综合网上购物商城,销售家电、数码通讯、电脑、家居百货、服装服饰、母婴、图书、食品等数万个品牌优质商品.便捷、诚信的服务，为您提供愉悦的网上购物体验!" />

注意点：

描述中出现关键词，与正文内容相关，这部分内容是给人看的，所以要写的很详细，让人感兴趣，吸引用户点击。
同样遵循简短原则，字符数含空格在内不要超过 120 个汉字。
补充在 title 和 keywords 中未能充分表述的说明.
用英文逗号关键词1,关键词2

<Meta name="description" content="小米商城直营小米公司旗下所有产品，囊括小米手机系列小米MIX、小米Note 2，红米手机系列红米Note 4、红米4，智能硬件，配件及小米生活周边，同时提供小米客户服务及售后支持。" />

Keywords 关键字

Keywords是页面关键词，是搜索引擎关注点之一。Keywords应该限制在6～8个关键词左右，电商类网站可以多少许。

京东网：

<Meta name="Keywords" content="网上购物,网上商城,手机,笔记本,电脑,MP3,CD,VCD,DV,相机,数码,配件,手表,存储卡,京东" />

小米网：

<Meta name="keywords" content="小米,小米6,红米Note4,小米MIX,小米商城" />

FreeAnchor：抛弃单一的IoU匹配，更自由的anchor匹配方法 | NIPS 2019

论文抛弃以往根据IoU硬性指定anchor和GT匹配关系的方法，提出FreeAnchor方法来进行更自由的匹配，该方法将目标检测的训练定义为最大似然估计(MLE)过程，端到端地同时学习目标分类、目标检测以及匹配关系，从实验来看，效果十分显著

来源：晓飞的算法工程笔记公众号

**论文: FreeAnchor: Learning to Match Anchors for Visual
Object Detection**

论文地址：https://arxiv.org/abs/1909.02466v1
论文代码：https://github.com/zhangxiaosong18/FreeAnchor

Introduction

常规的目标检测网络基于IoU来进行anchor与GT间的匹配，但会面临以下问题：

对于非中心特征的物体，比如细长的物体，空间上的对齐并不能保证anchor覆盖足够多的物体特征，从而造成分类和检测性能的下降。
当检测目标密集时，以IoU作为匹配的准则是不可行的。

以上的问题都来源于预先设定的anchor与GT的匹配，没有考虑到网络的输出情况。为此，论文提出基于学习的匹配方法，将匹配过程定义为最大化似然估计的过程，端到端地同时学习目标分类、目标检测以及匹配关系，取得了很不错的效果，论文的主要贡献如下：

将检测算法的训练过程定义为最大似然估计的过程，并将手工设定anchor与GT匹配改为自由的anchor匹配，打破IoU的约束，允许GT根据最大似然的准则选择anchors。
定义检测定制似然，并且实现端到端的检测和分类训练机制，最大化似然能够促进网络学习如何匹配最优的anchor，并保证与NMS算法的兼容。

The Proposed Approach

为了学习anchor和GT的匹配关系，先将目标检测算法的训练转换为最大似然估计过程，从最大似然地角度优化分类和检测，然后定义检测定制似然，通过保证召回率和准确率进行匹配关系的优化，在训练阶段，将检测定制似然转换为检测定制损失，有效地端到端同时学习目标分类、目标检测以及匹配关系。

Detector Training as Maximum Likelihood Estimation

常规one-stage检测算法的损失函数如公式1，$\mathcal{L}(\theta)_{ij}^{cls}=BCE(a_j^{cls},b_i^{cls}, \theta)$，$\mathcal{L}(\theta)_{ij}^{loc}=SmoothL1(a_j^{loc},b_i^{loc}, \theta)$，$\mathcal{L}(\theta)_{ij}^{bg}=BCE(a_j^{cls},\vec{0}, \theta)$，$\theta$为网络学习到的参数，$C_{i,j}$是指代anchor $a_j$是否匹配GT $b_i$，只有两者的IoU大于阈值才为1，当anchor符合多个GT时，选择IoU最大的Gt，$A_{+}=\{a_j | \sum_i C_{ij}=1\} \in A$，$A_{-}=\{a_j | \sum_i C_{ij}=0\} \in A$。

从最大似然估计(MLE)的角度来看，将损失函数$\mathcal{L}(\theta)$转换为公式2的似然概率，$\mathcal{P}(\theta)_{ij}^{cls}$和$\mathcal{P}(\theta)_{ij}^{bg}$为分类置信度，$\mathcal{P}(\theta)_{ij}^{loc}$为定位置信度，最小化$\mathcal{L}(\theta)$即最大化似然概率$\mathcal{P}(\theta)$。
虽然公式2严格从最大似然估计的角度来优化anchor的分类和定位，但是忽略了如何学习匹配矩阵$C_{ij}$，目前的检测算法通过IoU指标进行匹配来解决这一问题，没有考虑优化GT和anchor的匹配关系。

Detection Customized Likelihood

为了优化GT和anchor间的匹配规则，论文在CNN目标检测框架上加入检测定制似然(detection customized likelihood)，揉合准确率和召回率，并保持对NMS的适配。
首先构造每个GT $b_i$的IoU较高的anchor作为候选集$A_i\in A$，然后学习如何达到最好的匹配的同时最大化检测定制似然。

为了优化召回率，先保证每个GT都有至少一个对应的anchor，如公式3，选择每个GT的候选集中分类和检测表现最好的anchor。

为了优化准确率，检测器需要将定位较差的anchor归为背景类，目标函数如公式4，这里意味着top anchor尽可能不为背景。$P\{a_j \in A_{-}\}=1-max_i P\{a_j \to b_i \}$为$a_j$与所有GT不匹配的概率，$P\{a_j \to b_i \}$为anchor $a_j$正确预测GT $b_i$的概率。为了兼容NMS，$P\{a_j \to b_i \}$需满足以下属性：

$P\{a_j \to b_i \}$为IoU相关的单调递增函数
当anchor与GT小于阈值时，$P\{a_j \to b_i \}$接近0
对于每个GT，仅存在一个anchor满足$P\{a_j \to b_i \}=1$

$P\{a_j \to b_i \}$的属性可以归纳为Saturated linear函数，即$P\{a_j \to b_i \}=Saturated linear(IoU_{ij}^{loc}, t, max_j(IoU_{ij}^{loc}))$。

根据上面的定义，检测定制似然定义如公式5，揉合了召回率和准确率，并且与NMS兼容。通过优化似然，可以同时最大化召回率和准确率，达到自由地匹配GT和anchor。

Anchor Matching Mechanism

为了有效地学习匹配关系，将公式5的检测定制似然转换成检测定制损失函数，如公式5，$max$函数用来选择每个GT最适合的anchor。在训练期间，从候选集$A_i$中选择一个anchor进行网络参数$\theta$的更新。

在训练初期，由于随机初始化，每个anchor的置信度都很小，不能代表anchor的好坏，为此使用Mean-max函数进行anchor的选择。

在训练不充分时，Mean-max函数能够接近均值函数，即几乎所有的anchor都能用于训练，随着训练越充分后，Mean-max函数则接近max函数，最终等同于max函数，即选择最好的anchor用于训练。

将公式6的max函数替换为Mean-max函数，对第二项加入focal loss，同时，两项分别进行$w_1$和$w_2$加权，最终的检测定制损失函数如公式7，$X_i=\{\mathcal{P}(\theta)_{ij}^{cls} \mathcal{P}(\theta)_{ij}^{loc} | a_j \in A_i\}$为候选集$A_i$的似然集，$w_1=\frac{\alpha}{||B||}$，$w_2=\frac{1-\alpha}{n||B||}$，$FL\_(p)=-p^{\gamma}log(1-p)$。

结合检测定制损失函数，检测器的训练过程如算法1。

Experiments

实验的FreeAnchor实现基于RetinaNet，简单地将损失函数修改为论文提出的检测定制损失函数。

Learning-to-match

Compatibility with NMS

Parameter Setting

超参数的实验如下：

Anchor bag size $n$，对比$\{40, 50, 60, 100 \}$，其中，50的效果最好。
Background IoU threshold $t$，$P\{a_j \to b_i \}$的置信度，对比$\{0.5, 0.6, 0.7 \}$，0.6效果最好。
Focal loss parameter，对比$\alpha \in \{0.25, 0.5, 0.75 \}$和$\gamma \in \{1.5, 2.0, 2.5 \}$，$\alpha=0.5$和$\gamma=2,0$组合的效果最好。
Loss regularization factor $\beta$，公式1的用于平衡分类和定位损失的权重，0.75效果最好。

Detection Performance

CONCLUSION

论文抛弃以往根据IoU硬性指定anchor和GT匹配关系的方法，提出FreeAnchor方法来进行更自由的匹配，该方法将目标检测的训练定义为最大似然估计(MLE)过程，端到端地同时学习目标分类、目标检测以及匹配关系，从实验来看，效果十分显著。

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注微信公众号【晓飞的算法工程笔记】

work-life balance.

javascript – 删除#anchor之后的所有内容,包括#anchor

改变这个……

www.sample.com/sample.html#commentxxx?stuffhereIdontneed

进入这…

www.sample.com/sample.html

我有一个链接,所以我认为我需要一个正则表达式？

document.write("<a href='"+ window.location.href.replace('?????','') +  
"?ThisIsAppendedLater'>sample</a>");

解决方法

内森的回答很好.为了完整起见;这是正则表达式：

var stripped = window.location.href.replace(/#.*$/,'');

jsp页面中如何取得当前页面的 <title></title>中的值

jsp页面中如何取得当前页面的中的值

jsp页面中如何取得当前页面的 <title></title>中的值.

因为我要放到<%%>中,js可以取, 但是怎么在<%%>中取得呢?

关于网站优化时建议title,anchor和页面内容相匹配和网页标题的优化的问题我们已经讲解完毕，感谢您的阅读，如果还想了解更多关于CSS——CSS网站优化三大标签(title，description，keyword)、FreeAnchor：抛弃单一的IoU匹配，更自由的anchor匹配方法 | NIPS 2019、javascript – 删除#anchor之后的所有内容,包括#anchor、jsp页面中如何取得当前页面的中的值等相关内容，可以在本站寻找。

本文标签：