学习契约与正确模型
先明确为什么学、学完能做什么，以及如何证明自己真的掌握。
B2B 同义词、行业术语和产品类别繁多，错误聚类会造成关键词蚕食、薄页扩张或一页承担冲突任务。
- 能建立 SERP 重叠矩阵
- 能结合任务与页面类型修正自动聚类
- 能为每簇定义主查询与支持查询
精读 28 分钟 → 引导练习 20 分钟 → 实战任务 65 分钟。实战时间单列，不再把浏览页面和项目操作混成一个数字。
- 它是什么
- 聚类把可由同一内容资产合理满足的查询归为一组；SERP URL 重叠是当前检索解释的代理证据。
- 为什么重要
- 搜索量与词形相似不说明任务相同；实际排名页面交集能暴露可合并程度。
- 什么时候使用
- 关键词库超过人工逐条判断能力、页面规划或蚕食治理时。
- 什么时候不要套用
- 不要把一个固定重叠阈值用于所有市场、意图和 SERP 深度，也不要跳过人工抽样。
- 边界与不确定性
- SERP 波动、个性化和工具采样会影响聚类；最终单位仍是用户任务和页面价值。
机制精讲
先读完整因果链，再看每个环节留下什么可观察信号。
基于 SERP 的关键词聚类，用“哪些 URL 在同一批查询中共同获胜”作为页面可合并任务的外部证据。它比按词面相似更接近当前检索结果，但仍不是自动页面规划器：结果会受市场、设备、日期、品牌和功能模块影响，工具抓到的 top-k 也只是样本。两个查询共享若干 URL，说明当前系统可能认为它们可由相似资源满足；是否真的应由同一页面承接，还要检查用户任务、产品边界和页面可读性。
聚类质量取决于输入词、SERP 快照与相似度定义。常见做法可用共享 URL 数量、Jaccard 或加权重叠，但阈值没有跨行业通用答案。品牌查询、低结果查询、本地化 SERP 和暂时波动会扭曲边界。本课要求保留原始排名、计算过程和人工复核，并把聚类输出变成“候选页面组合”，而不是直接批量生成 URL。
结果重叠信号
若查询 A 与 B 的 top 10 多次出现相同获胜 URL，可把它视为任务相近的证据；共享少则可能需要不同页面或只是结果不稳定。
相似度与阈值
共享数易解释，Jaccard 会考虑集合大小，加权指标可强调前排；阈值改变簇数量和粒度，必须用人工样本校准。
人工任务复核
SERP 重叠可能由强势域或模板垄断造成。最终需判断一页是否能自然回答全部查询，而不使结构、CTA 或事实边界互相冲突。
关键概念
掌握术语之间的关系，才能迁移到不同网站、行业和工具。
硬聚类
要求查询间共同排名 URL 达到阈值，边界清晰但可能把长尾拆得过细。
软聚类
通过共同中心词或邻接关系扩展，覆盖更广但需防止链式误合并。
人工校准
检查意图、页面类型、SERP 特征和商业语义，记录拆分或合并理由。
完整示范
跟随一次“输入 → 分析 → 中间产物 → 结论”，看见专家是怎样做判断的。
聚类网络安全 B2B 查询
教学用合成数据：对 1,500 个美国英语查询抓取桌面 top 10；“attack surface management”与“external attack surface management”共享 7 个 URL，而与“attack surface scan tool”只共享 2 个。
- 已移除明显导航与招聘查询
- 抓取日期、地区和设备固定
清洁 SERP 集合
- 输入
- 查询—排名—URL 原始表。
- 分析
- 统一协议、主机和明显追踪参数，但保留不同路径；标记无结果、品牌和本地模块，不能把域名级重叠当页面级重叠。
- 输出
- 规范 URL 的查询结果矩阵。
计算候选相似度
- 输入
- 每个查询的 top 10 集合。
- 分析
- 核心词与 external 共享 7，Jaccard 为 7/13；与 scan tool 共享 2/18。先用多个阈值形成候选，不把教学数字当通用门槛。
- 输出
- 带共享数、Jaccard 与候选簇 ID 的边表。
复核任务边界
- 输入
- 候选簇、SERP 标题和页面内容。
- 分析
- external 是核心概念的常见限定，可由主页面完整覆盖；scan tool 更偏工具选择和动作，需独立商业页，并由核心指南连接。
- 输出
- 合并、拆分和待调查决策。
做稳定性检查
- 输入
- 两周后的第二次快照和移动端样本。
- 分析
- 比较边关系是否持续；只出现一次的边降置信，跨条件稳定边优先进入页面规划。
- 输出
- 稳定簇、敏感簇和人工复核清单。
决策规则与证据边界
把“看到什么、意味着什么、下一步做什么”连起来，同时区分公开事实、实践推断和未知项。
- 固定条件 SERP 中的 URL、排名和重叠可直接保存计算。
- 重叠代表任务相近以及应共享页面，是需人工验证的推断。
- 没有公开且适用于所有行业的最佳 top-k、相似度公式或阈值。
引导练习
先独立完成，再按提示修正，最后展开参考解法并用 0–4 级量规评分。
使用教学用合成数据判断页面边界：A“data catalog”与 B“enterprise data catalog”共享 6/10；A 与 C“data catalog tools”共享 3/10；C 与 D“best data catalog software”共享 8/10。
给定材料
- A/B 结果以定义与指南为主；C/D 以产品列表、比较和厂商页为主。
- 品牌有核心指南、产品页，但没有中立工具榜单所需的完整市场数据。
需要提示时再展开
- 先看重叠，再看结果实际完成的任务。
- 同一主题不要求放在同一页面；产品能力也会限制页面形式。
完成后核对参考解法
A 与 B 的高重叠且页面类型一致，适合由一个类别/定义指南承接，并在章节中处理 enterprise 约束。C 与 D 共享 8 个结果且都服务工具筛选，可形成独立比较簇；但品牌缺少完整市场数据，不应伪造“最佳榜单”，可以由透明的评估标准页和自家产品页分别承接，或暂列 No target。A 与 C 只有 3 个共享且任务从理解类别转向选择工具，应拆开并用上下文内链连接。所有数字都是教学用合成数据，正式决策应记录市场、日期并用第二次快照验证稳定性。
自评分量规
真实项目实战
把理解变成一个可以检查、复核和复用的工作产物。
聚类 1,500 个网络安全 B2B 查询
自动语义工具把“SIEM software”“SIEM pricing”“what is SIEM”放在同一簇。
- 固定地区、设备和日期采集前 10/20 URL
- 计算查询两两重叠
- 按意图层级设置候选阈值
- 人工审查边界与页面类型
- 为每簇指定 primary、secondary、任务和证据
验收条件
- 聚类参数与采集环境可复现
- 每簇能由一种页面类型服务
- 冲突意图已拆开
- 抽样复查与版本日期完整
诊断练习
目标不是猜中答案，而是提出竞争假设并选择能区分它们的证据。
一篇长指南对多个词均在第二页，拆页与否无法决定。
竞争假设
- 簇内存在不同主意图
- SERP 重叠已经下降
- 页面类型不匹配
- 内部链接和锚文本让搜索引擎选择了另一 URL
应该检查的证据
- 当前与历史 SERP 重叠
- 簇内查询的页面类型分布
- GSC 查询到页面关系
- 两页内容和内链差异
常见陷阱：只按词义或 embedding 相似度决定页面边界。
完成后用本页决策规则复核
- 若观察到：多次快照共享 URL 高且任务一致
应优先：形成一个主页面，并把查询变体映射到自然章节。
仍需确认页面不会因覆盖过宽而失焦。 - 若观察到：重叠高但由单一强势域多个页面造成
应优先：检查页面级去重和实际任务，再人工决定。
不要只按域名计算。 - 若观察到：边界在日期或设备间频繁变化
应优先：降低置信，保留待调查或先做小范围页面实验。
一次抓取不足以支持不可逆合并。
自测与误区
先口头回答，再展开检查。无法给出例外与证据，说明还没真正掌握。
你应该能回答
1. 这些查询的获胜 URL 是否显著重叠？
参考答案：计算页面级 top-k URL 的共享数或 Jaccard，并在多次相同市场快照中复现；显著重叠是合并证据。
为什么：域名重叠或单次结果不足以说明同一页面任务。
2. 同一页面能自然完成所有任务吗？
参考答案：人工验证角色、主任务、内容深度和 CTA 是否可以共存；若一页必须在定义与产品榜单间反复切换，就应拆分。
为什么：算法发现相似，页面设计仍要服务人；角色、风险与页面产物冲突是拆分的直接证据。
3. 哪些边界需要商业判断而非算法决定？
参考答案：品牌立场、法律风险、产品边界、可提供独特证据和页面维护成本必须由业务判断。
为什么：SERP 数据不会替团队决定是否有资格制作某种页面。
需要避开的误区
- 语义相似词一定属于同一页
- 聚类完成后永远不用更新
- 重叠阈值越高越准确
术语与复盘
用自己的话复述术语和结论；如果只能认出、不能解释，就还没有形成可调用的知识。
- SERP 重叠
- 两个查询结果集合中共享 URL 的程度。
- Jaccard
- 交集大小除以并集大小的集合相似度。
- Top-k
- 计算中保留的前 k 个结果范围。
- 边界词
- 改变任务、使查询可能需要独立页面的修饰表达。
- 稳定性检查
- 在不同时间或条件重采样以检验聚类是否持续。
离开本页前记住
- 聚类用页面获胜重叠，不只看词面。
- 阈值需要样本校准。
- 保存市场、设备、日期和原始排名。
- 算法输出是候选，人工任务决定页面。
- 不稳定簇适合保守与可逆决策。
资料与证据
优先采用官方和一手资料。实践材料用于补充工作方法，不替代机制证据。