匹配模式的定义 又叫关键词匹配方式

网民搜索时，系统会自动挑选对应关键词，将推广结果展现给网民，企业可以通过搜索匹配方式，来决定网民搜索词与关键词的对应关系。

匹配模式的分类：

精确匹配、短语匹配、智能匹配-核心词、智能匹配。

精确匹配：广告主提交的关键词及关键词的同义变体，会与用户的搜索保持整体精确一致，来帮助广告主精确竞争目标流量。

字面相同的情况下，搜索词中有空格也能精确匹配不带空格的关键词

短语匹配：广告主提交的关键词或关键词的同义变体，会被包含在用户搜索词中，或是在意思一致的前提下，于搜索词的前中后插入或变换顺序，如系统识别出关键词的类目能包含搜索词，也能获得展现机会。

智能匹配-核心词：系统将会自动圈定该关键词中的核心词语。您也可手动圈定核心词，需在新建关键词时，在所需圈定的核心词两侧添加大括号后直接添加，

智能匹配：使用智能匹配模式，当广告主提交关键词，会被系统智能理解并匹配出搜索意图相关的用户搜索词，帮助广告主触达大量的潜在客户。

否定关键词

分为短语否定关键词和精确否定关键词两种，

1.目前搜索推广系统提供否词量包含200个短语否和200个精确否。相对对大账户而言，这个数值可能是不够的。所以否定关键词的设置，很重要的一点就是合并同类 项的能力，而不是看到不相关的关键词精确否定掉了事，还得有预见性。以合适的方式否定掉将来可能出现的其他不相关搜索词。预见性很重要，筛选出来无效关键词后，要进行分析。每个无效关键词背后可能是一类无效人群。一定要分析无效词产生的原因，可以借助关键词工具去拓展相关无效词，要有关键词敏感度。

2.优先考虑短语否定，再考虑精确否定。这个顺序很重要。能短语否定的尽量短语，因为精确只能否定一个词。当然，有些词只能精确否定（点击高的单名词），关键词匹配方式也很重要而且两者需要相互配合。

3.否定关键词列表也需要不断去补充、完善、合并及优化的，定期查看搜索词报告，即时监控无效流量，除了每天的查看之外，还可以按周、按月、甚至按业务周期查看。这样对某个时间段的无效关键词流量有一个全局的观念。

4.作为SEMer平时整理一份自身行业常用的否定词，在新建计划的同时就可以直接添加进去。例如招聘的“聘”、“招工”、“案例”、“模板”、“素材”、“图片”、“视频”等等这些对于多数行业都是通用的否定词。

冷门否定关键词：指的是那些至少90天内没被网民搜索过的否定关键词，这些否定关键词虽然存在于账户中，但实际上近期并没有网民搜索过，所以没必要再将其设置为否定关键词，占用否词额度。

否定关键词的使用技巧

注意：

选择否定词的步骤

优先考虑单字否定词，随后考虑多字否定词

否定词优先级

关键词匹配模式整体策略

避免账户结构混乱：假设账户由100个词组成，其中20个词为核心关键词，80词为普通长尾词。

避免搜索词匹配混乱

核心词计划做短语匹配时，会出现以高价关键词匹配低价搜索词的现象

你好，我是小黄，一名独角兽企业的Java开发工程师。
感谢茫茫人海中我们能够相遇，
俗话说：当你的才华和能力，不足以支撑你的梦想的时候，请静下心来学习，
希望优秀的你可以和我一起学习，一起努力，实现属于自己的梦想。

一、引言

上周在公司的周会上，谈到这样一件事，对于风控行业来说，关键词匹配是一个比较重要的业务之一，而关键字匹配的效率，也是众多风控者关注的重要指标。

如何使用一种既方便又快捷的方案进行关键字的匹配呢，风控常见做法是 Trie树 ，今天我们就来看一下关键词匹配界的霸主——Trie树（前缀树）。

二、何为关键词匹配

对于风控来说，每天处理的风控信息杂七杂八，其中比较重要的一个业务方向——关键字匹配

简单来说，如果用户输入傻逼、卧槽、我要炸学校…等一系列的违规词语，我们需要去我们的关键词表中进行匹配，最终返回结果：这是一个违规词语

这样看起来可能不够人性化，我们可以对其关键词表进行 打标签 的操作，将我们关键词表，打上涉政、涉黄、涉恐等一系列的标签。

这样，我们的整套流程看起来已经非常人性化了

三、何为Trie树

字典树，顾名思义，是关于“字典”的一棵树。即：它是对于字典的一种存储方式（所以是一种数据结构而不是算法）。这个词典中的每个“单词”就是从根节点出发一直到某一个目标节点的路径，路径中每条边的字母连起来就是一个单词。

• （标橙色的节点是“目标节点“，即根节点到这个目标节点的路径上的所有字母构成了一个单词。）

从这张图我们可以看出，字典树就是一棵树，只不过，这棵树的每条边上都有一个字母，然后这棵树的一些节点被指定成了标记节点（目标节点）而已。

这就是字典树的概念。结合上面说的概念，上图所示的字典树包括的单词分别为：a、abc、bac、bbc、ca

Trie树功能如下：

• 维护字符串集合（即字典）
• 向字符串集合中插入字符串（即建树）
• 查询字符串集合中是否有某个字符串（即查询）
• 统计字符串在集合中出现的个数（即统计）
• 将字符串集合按字典序排序（即字典序排序）
• 求集合内两个字符串的LCP（Longest CommonPrefix，最长公共前缀）（即求最长公共前缀）

四、为什么不直接使用HashMap

首先，我们要明确我们的目的，为了业务去追寻相应的技术，才是最佳实现方式

我们要明确一点，对于 HashMap 来说，查询效率为 O(1) 的前提是：忽略单样本的大小

对于这一点，我们来看下面代码：

String类

	// 计算字符串的hashCode
	public int hashCode() {
        int h = hash;
        if (h == 0 && value.length > 0) {
            char val[] = value;

            for (int i = 0; i < value.length; i++) {
                h = 31 * h + val[i];
            }
            hash = h;
        }
        return h;
    }

HashMap类

	public boolean containsKey(Object key) {
        return getNode(hash(key), key) != null;
    }
    
    static final int hash(Object key) {
        int h;
        return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
    }

我们可以看到 当我们往HashMap存放一个字符串时，他会遍历整个字符串获取其 hashCode

这样的话，如果我们不忽略样本大小的话，那么我们的时间复杂度其实是：O(K)，K为字符串的大小

如果我们当前查询该字符串出现的频率，我们从技术上使用 HashMap 和 Trie树 区别是不大的，但是在我们的业务落地时，对于关键词那么大的数据，你使用 HashMap 占据的空间岂不是造成浪费

如果我想要查询以 “abc” 为前缀出现的字符串，我们的 HashMap 是不支持的，而 trie树 就很好的支持了这一点

总体而言，对于关键词的匹配，为了避免空间的浪费和业务的多元化，使用 trie树 的效率远大于 HashMap

五、Trie树的代码实现

1、Trie的初始化

我们本文的 Trie树 代码假设所有出现的字符串均为小写字母

• pass：通过该点的字符串数量
• end：结束该点的字符串数量
• tries：子树

class Trie {
    int pass;
    int end;
    Trie[] tries;

    public Trie() {
        pass = 0;
        end = 0;
        tries = new Trie[26];
    }
}

2、Trie添加字符串

	public void insert(String word) {
        if (word == null) {
            return;
        }
        char[] str = word.toCharArray();
        Trie trie = this;
        int path = 0;
        for (int i = 0; i < str.length; i++) {
            path = str[i] - 'a';
            // 看一下子树是不是已经存在，如果不存在，则进行创建
            if (trie.tries[path] == null) {
                trie.tries[path] = new Trie();
            }
            trie.pass++;
            trie = trie.tries[path];
        }
        trie.end++;
    }

3、Trie查询字符串出现的频率

		/**
         * 该字符串出现了几次
         *
         * @param word
         * @return
         */
        public int search(String word) {
            if (word == null) {
                return 0;
            }
            char[] str = word.toCharArray();
            Node node = root;
            int path = 0;
            for (int i = 0; i < str.length; i++) {
                path = str[i] - 'a';
                if (node.nodes[path] == null) {
                    return 0;
                }
                node = node.nodes[path];
            }
            return node.end;
        }

4、Trie删除字符串

• Java选手直接置为 null ，GC即可回收，C++选手要手动回收

	public void delete(String word) {
            if (search(word) == 0) {
                return;
            }
            char[] str = word.toCharArray();
            Node node = root;
            int path = 0;
            for (int i = 0; i < str.length; i++) {
                path = str[i] - 'a';
                if (--node.nodes[path].pass == 0) {
                    // Java垃圾回收直接回收掉
                    node.nodes[path] = null;
                    return;
                }
                node = node.nodes[path];
            }
            node.end--;
        }

六、总结

关于 Trie树 的介绍到这就已经结束了，大家可以思考下 HashMap 和 Trie树 的差距，想一下哪个才是最优解，毕竟博主也有可能写错了呢（题主必不可能写错，逃）

同时，对于 Trie树 的代码也需要多写几遍，博主写这篇博客的时候，又忘记了怎么写（逃

• 题目一：208. 实现 Trie (前缀树)【基础题】
• 题目二：211. 添加与搜索单词 - 数据结构设计【需要一些DFS知识】

对源代码有兴趣的小伙伴，可以关注 爱敲代码的小黄 公众号，回复：算法源码 即可获得算法源码

本期的内容就到这里，下期 一定一定一定 会讲述 最小生成树（Prim、Kruskal） 算法。

我是一名独角兽企业的Java开发工程师，希望可以点个关注呀，有问题可以留言或者私信加我微信：hls1793929520，我们下期再见！