扁平结构如：论坛网站、博客网站一般为扁平结构设计，扁平结构是以网站首页为“根”，拓展出去的页面都是以网站主域名为基础的页面。
树形结构如：树状也叫树形结构网站，如同长大的数目一样的结构网站。树状结构网站分为树根，树干，树枝，树叶等不同表现形式。都是关键词排名的因素点。
树状结构网站和扁平结构的网站对比对于SEO来说不论树状结构还是扁平结构各有利弊，如果排名单一的关键词一般的人喜欢用扁平结构的网站结构。例如博客系统。因为他信息容易 集中到一起。
排名多关键词的时候，一般的人喜欢用树状结构的网站，例如织梦，phpcms等开源系统，这样可以排名很多关键词都会上去。
二、seo关键词优化排名技法之——关键词规划与挖掘
快速有效挖掘精准目标关键词：可以借助百度、360、搜索等搜索引擎平台，在搜索框里输入目标关键词，找到下拉或者相关搜索的词汇作为网站关键词分布，利用百度指数或者 360指数查询，挑选3-5个指数中小的作为首页关键词，其他指数小的可以分布到栏目页或者内页。
三、seo关键词优化排名技法之——网站标题的写法，（Title、Description、Keywords三大标签）
1、写法一、XXX关键词_XXX关键词_XXX关键词_XXX品牌词
2、写法二、XXX品牌词_XXX关键词_XXX关键词_网站核心介绍
3、写法三、XXX关键词_网站核心介绍_XXX品牌词
网站描述的写法：网站描述也是参与排名的重要因数之一，我可以把关键词合理分布到描述的语句当中。Description标签也就是关键词，这里可写可不写，小编建议你还是写上比较好
四、seo关键词优化排名技法之——站内优化的做法
1、网站目录层级切勿过深，一般最多为3层且不超过四层，
例如：
五、seo关键词优化排名技法之——高质量的外链在哪发。
1、交换友情链接，看对方网站友链和收录情况，对方友链一般不超过30个，且最近收录一定要有，一般同等权重的友链双方才愿意交换的除非购买单向链接。2、寻找网站目录或者网站导航之类的网站提交，一般为付费。（最大的特点是一次收录永久在线而且外链质量非常好，价格不算贵）3、各种论坛、b2b等行业门户网站发文章和发帖子。（类似这样的网站多数为百度联盟广告可能对转化有一定的影响这里看你自己情况定夺了
智能优化方法的基本流程
群体智能优化算法是一类基于概率的随机搜索进化算法，各个算法之间存在结构、研究内容、计算方法等具有较大的相似性。群体智能优化算法可以建立一个基本的理论框架模式：
Step1：设置参数，初始化种群；
Step2：生成一组解，计算其适应值；
Step3：由个体最有适应着，通过比较得到群体最优适应值；
Step4：判断终止条件示否满足？如果满足，结束迭代；否则，转向Step2；
各个群体智能算法之间最大不同在于算法更新规则上，有基于模拟群居生物运动步长更新的（如PSO，AFSA与SFLA），也有根据某种算法机理设置更新规则（如ACO）。扩展资料
优化算法有很多，经典算法包括：有线性规划，动态规划等；改进型局部搜索算法包括爬山法，最速下降法等，模拟退火、遗传算法以及禁忌搜索称作指导性搜索法。而神经网络，混沌搜索则属于系统动态演化方法。
优化思想里面经常提到邻域函数，它的作用是指出如何由当前解得到一个（组）新解。其具体实现方式要根据具体问题分析来定。
参考资料来源：百度百科-智能算法
智能优化方法有哪几种
数据分析：一般指对数据进行研究的方法和过程。
商业智能：是指将数据分析商业化、信息化，实现商业价值的企业信息化建设过程。
所以数据分析包含的内容可以很宽泛，而商业智能则更聚焦于实现商业价值。
：通俗意义上来讲，“数据分析”并没有特定的应用场景，人们更喜欢将数据分析作为一种行为过程去讨论，或在其后加上诸如方法论这类的具体名词来定义。
作为对数据进行研究的过程而言，数据分析将经历明确目标、收集、处理、探索、展现、发现问题这几个步骤。
数据分析的六个步骤
在这个过程中我们更加注重过程劳动和成果价值，而这个过程小到凝视身边人一眼，大到制定国家发展五年计划，它发生在生活的方方面面。
举个生活中的小例子，比如我们想买一款适合自己的手机，在对手机市场不熟悉的情况下，可以在各大论坛搜集参数信息，结合自己的预算、喜好，选出要购买的手机品牌、价格、性能等需求细节，进而确定我们的最终选择。
这样的行为也可以是属于数据分析，属于个人行为，也并不需要专业的工具，更不会对个人产生直接的商业价值。
这意味着广义上的数据分析代表的仅是一种行为的过程，没有特定的应用对象和场景，和商业智能并没有很明确的对比意义。：
对于具体的数据分析方法，在各行各业的应用也是多如繁星、数之不尽，下面的一些方法作为例子，为大家抛砖引玉。
数据分析方法
：商业智能是指将数据分析商业化、信息化，实现商业价值的企业信息化建设过程。
“商业智能”（或商务智能）这个词其实诞生于上世纪90年代，经过几十年的发展演变，许多人会将商业智能看成一种解决方案，最终目标是为管理者提供决策支持。
究其实际情况而言，解决方案是一种运用合理的方法、合理的工具手段，以合理的成本投入去解决企业一段时间范围内可预见难题的行动方案，是有保质期的。而商业智能是经过阶段性递进、持续优化的信息化建设过程，追求的是持续收益、长期决策支持，而不是短期见效。
：而且在商业智能建设过程中，我们会遇到以下几大难题：
平台挑战：数据分析链条很长，从采集、治理、整合、存储、计算、建模到展现，涉及工具和技术太多，成本高昂，架构复杂，需求实现效率太低，难以满足企业业务的洞察需要。
应用挑战：IT部门辛苦做出的数据报告，业务部门觉得没用，问业务部门有什么需求，又难以提出。
服务挑战：无论是自建服务团队还是找第三方供应商，缺乏贴身的精细化专业服务能力导致解决问题效率低下，带来负面用户反馈。
运营挑战：用的都是国际大牌产品，但系统就是不稳定，问题频出，本质是因为缺少运营的系统化方法。
解决商业智能建设过程中的难题，使商业智能建设过程能在企业内取得长远收益，为管理者做持之以恒、稳健发展的决策支持，发挥数据价值，进而驱动商业价值体现，我们需要的是数据驱动业务增长能力模型——PASO能力模型。
PASO能力模型
请点击输入图片描述
请点击输入图片描述
请点击输入图片描述
通过PASO能力模型，稳健的完成企业商业智能建设过 程，获得长期受益，才是真正意义上诠释和体现数据的商业价值，实现长期决策支持。
举个例子：
这是我们根据某企业国际物流业务的实际情况，进行调研和分析之后，建立的一套营销体系模型。请点击输入图片描述
通过营销体系模型，分析出每一步的销售过程的数据，从而不断改进销售技巧以及优化服务流程，最终实现了广告投放上的价值最大化，以及销售流程环节标准化。
这是一个企业应用商业智能的实例，也显示出我刚才提到的，商业智能不是短期解决问题的方案，而是一个追求持续收益的长期建设过程。
