因很多人需要百度相關搜索，很多人用這個技術賣錢，自己本着技術的愛好，把這個分享給大家！
刷相關搜索的實現方法：
第一：比如圓柱模板，我們可以先搜索圓柱模板廠家，然后接着再去搜索圓柱模板價格，那么每天以幾倍的方式增加，當達到一定搜索量的時候，那么圓柱模板的相關詞搜索就會出現圓柱模板價格了。
打開百度首頁//www.baidu.com/輸入圓柱模板出來的地址為：
https://www.baidu.com/s?ie=UTF-8&wd=%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF
這串代碼中：
%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF
是代表圓柱模板的代碼
再出來的頁面中輸入你要的品牌，比如鵬程圓柱模板，輸入完畢后，點百度一下。
https://www.baidu.com/s?bs=%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF&f=8&rsv_bp=1&wd=%E9%B9%8F%E7%A8%8B%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF&inputT=54390
這串代碼中：
%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%BF
是不變的，代表：圓柱模板 關鍵詞
f=8這個數值是會變動的。范圍為：
0-9.數值越高，代表着這個相關搜索的詞越容易做上去。
%E9%B9%8F%E7%A8%8B%E5%9C%86%E6%9F%B1%E6%A8%A1%E6%9D%
代表的是：鵬程圓柱模板 這個相關詞的代碼
inputT=54390
代表這個是代表搜索結果出來的運算時間
相關搜索算法實現原理：
用戶后繼詞原理：
把用戶在5分鍾之內在搜索引擎中搜索詞定義為一次搜索行為，那么就形成了搜索日志，搜索日志如下：
cookie:用戶cookieid keys:[A1,A2.....] [B1,B2.....] [C1,C2.....]
接着按用戶進行分類，時間間隔5分鍾進行數據清理，[x1,x2.....]一個數組表示一次搜索行為，每個數組的第一位就是當次搜索行為的第一個搜索詞。
cookie:用戶cookieid keys:[A1,A2.....] [B1,B2.....] [C1,C2.....]
對於單個用戶來說搜索后繼詞的確定性是不夠的，比如搜索科比，但是一看到旁邊有人我就立刻改變搜索培訓，那么這兩個詞是沒有相關性質的。那么就加入統計規則去掉一些雜質，比如某個詞B只有出現在5個用戶的相同的搜索詞A的后繼詞中才算一個A的后繼詞，還有其他的一些規則，這么下來，日志就變成了。
key：A succeed：A1,A2,A3.....
用戶協同過濾原理：
當搜索用戶日志足夠多的情況，可以把擁有相同搜索記錄的用戶聚合起來，通過協同過濾算法，獲取更多的相關性的詞。通過下面協同過濾算法同樣可以把加索爾推薦給NBA了。
A用戶：籃球 后繼詞 男籃 女籃
B用戶：NBA 后繼詞 男籃 科比
C用戶：男籃比賽 后繼詞 男籃 加索爾
從搜索詞算法實現：
如果一個關鍵詞搜索詞結果，跟另外一個，甚至幾個關鍵詞搜索出來的結果很多交集，那么這些關鍵詞很可能也是語義相關的詞。
從搜索日志來看例子：
key:搜索詞 time:搜索時間 cookie:用戶cookieid result:a,b,c,d,e(前5個搜索結果)
這次，我們只用key和result兩項，稍微處理下來以后就變成了
key:搜索詞A result:a,b,c,d,e(前5個搜索結果)
key:搜索詞B result:a,f,c,g,m(前5個搜索結果)
如果我們把每一行數據的result想象成一篇文檔，result里面的每個結果集想象成一個詞語，那么這其實就是求兩個文檔之間的相似性了，從頭到尾過一遍就可以找到每一行數據和它最相似的數據了，而每一行可以用當行的搜索詞表示，這么一算下來數據就變成這樣子了，后面的括號里面是兩個詞的相似度，如果想知道文本的相似性如何計算，可以參考我之前的文章，本文最后有鏈接。
key：搜索詞Asucceed：搜索詞B(0.8)搜索詞C(0.6).....
key：搜索詞Bsucceed：搜索詞A(0.8)搜索詞E(0.7).....
有了上面這個數據，拍一個閾值(比如0.7)卡一下，就得到最后的相關搜索的結果了。
這個計算相似性的方法的計算量比較大，而且閾值沒有卡好的話容易出現不相關的結果，在實際工程應用中使用得不多，下面這個方法使用得更多點，相當於這個的加強版。
從用戶搜索結果集考慮
如果某個搜索結果(比如一個網頁或者一個商品)出現在了不同的搜索詞的結果集中，那么這些個搜索詞很可能是相關的，如果這個搜索結果在不同的搜索詞下都被點擊了，那么這些個詞的相關性就更高了。
點擊的加成是很強大的，而且在數據量巨大的情況下，我們可以只考慮點擊的情況，還是拉出搜索日志，不過這次是搜索點擊日志了，拉出來處理一下就變成下面這個樣子，每行就是某個搜索詞下點擊的商品
key：搜索詞Aclick:結果A結果B結果C
這個樣子和上面第二種方法最后出來的樣子基本一樣，不過這次是點擊數據，相關性可比直接的搜索結果要好很多了，因為搜索結果取決於你的搜索算法，而這種點擊數據是來自用戶的，人的可靠性可高了不少，所以說這個是上一個的加強版。
我們可以按照上一個的方法按文本相似性的方法進行處理，但是計算量也比較大，如果再仔細看看這個數據的樣子，如果我們把相關搜索系統想象成豆瓣，搜索詞看成豆瓣的用戶，搜索結果集看成是豆瓣的電影，那么相關搜索就變成了一個豆瓣的猜你感興趣的人，也變成了一個協同過濾的推薦系統了(協同過濾算法可以參考文章最后的鏈接)，上一節的協同過濾算法的數據是詞和后繼詞，這里是詞和點擊結果，雖然數據集不同，但是可以用一樣的算法，所以，搜索和推薦技術其實是密不可分的，既然這樣，完全可以用協同過濾算法進行推薦了。
協同過濾的算法，簡單版本整體不會超過200行，很容易實現的。
通過這樣的方式，容易推出意思相近的詞，同樣也容易推出看似完全不相關但仔細想想還是靠譜的詞，就像下面這樣，他們雖然不見得近義詞，但是很可能會點擊到同一個結果上。