SEO人员在获取到大量关键词后，首先要对这些词进行处理，在实际工作中，百度关键词推广总结以下几个项目，做过或者觉得有必要做的事情：提取实体(通俗点讲就是找关键词中的重点词)、去重、受控词表、分类。

1、提取实体

提取实体的概念就是找关键词中的重点词。比如“北京温泉哪里好”，那这个词中的“北京”和“温泉”这两个词是重点，“哪里好”只是一个疑问词，对主题描述帮助相对比较小。于是我们就需要通过一些技术手段，对关键词进行处理，把中间重要的关键词(实体)取出来。

先看看下面的关键词。

（1）处理前

北京博物馆大全 北京怀北滑雪场 杭州到北京动车 北京金山岭长城 北京旅行社排名 北京冬天去哪玩 西安到北京高铁 厦门到北京机票

（2）处理后

北京|博物馆 北京|怀北|滑雪场 杭州|北京|动车 北京|金山岭|长城 北京|温泉 北京|旅行社|排名 北京|冬天|玩 西安|北京|高铁 厦门|北京|机票

可以仔细观察一下两者的不同。这里算法有很多种实现方法，从SEO的角度出发，我们对精确度和召回率的要求，一般都比较低。从0%到80%要花费的心思，可能还没有从80%-100%要花费的心思多。并几不同行业会有略微不同的做法。于是百度关键词推广采取以下两个方法：

（1）根据词性删除停词符号(多删一些不要紧)。

（2）根据TF-IDF过滤高频词(什么是TF-IDF请自行脑补)。

说说分词算法，很多学术派研究了一大堆中文分词算法，但实际运用起来差别很小。推荐几个，根据自己会的语言使用。分词也是一门大学问，有兴趣可以网上看看CRF, HMM等模型的逻辑，这里就不展开讲了。
 

分词关键的问题是要速度快，并且可以自定义词库。由于我用的是JIEBA，这方面都能支持。分词后根据词性，排除掉“停词”，就获取到了我们想要的结果集合。过滤高频词。JIEBA可以对整个文本提取TF-IDF值高的词。这些词是核心，肯定不可去掉。

然后根据分词结果获取到TF-IDF值高的词，进行人工审核一下，以旅游行业词库为例，地名是经常出现的词，TF-IDF值可能会非常高，但是绝对不能去掉。所以我们需要先准备一份中国地名/景点名词库，可以在网上搜索一下，“懒人”可以直接用搜狗输入法的词库。

然后高频词中还有可能会出现的词，可能为“7月”、“8月”、“大全”、“线路”等。这些词也可以考虑从实体词中踢除。经过这几轮检查，基本就差不多了，再要精度可以再自行研究。肯定有人问，你折腾了这么久，有什么用？这里只能点到为止。

（1）内容关联

（2）自动tagging

（3）提高站内检索精度

从2016年到2017年搜房和安居客的SEO可以体会一下。

2、去重

提取实体后，就可以对关键词进行去重。

例如：海南旅游多少钱 海南旅游要多少钱

处理后：海南|旅游  海南|旅游

下面就可以进行去重了。上面这两个词，还可以通过实体相同的方法来解决。但是有一些关键词，比如“马尔代夫”和“马代”，“长城”和“八达岭”，用户是指一个地方，我们应该怎么处理这些词呢？就需要下面这个“受控词表”。

3、受控词表

受控词表是一种控制词汇含义并且跟踪其相关词的方法。回到上面的例子，你搜索“八达岭”的时候，如果不能把“长城”的内容展现出来，相信用户早就跑光了。受控词表主要有如下三大关系：等价、层级、关联

（1）等价很好理解，比如马尔代夫和马代是等价关系，这类词可以说就是一个意思，权值是最高的，在内容推荐中一定要呈现出来。

（2）层级有上下级之分，比如“夫子庙”是“南京景点大全”的下级词，“大成殿”又是“夫子庙”的下级词。在实际应用的时候，当用户在寻找“大成殿”时，网站可以告诉用户位于“夫子庙”中间，并且推荐夫子庙周围还有些什么好玩的东西，用户一定会非常喜欢。层级关系也是大部分网站都有的信息架构体系，从首页到目录，再到栏目。