Pine/ChouJuGEO
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases 1 Wiki Activity
Files
8f7f082c3d5b5403dd1916ef6d8941cd2ddc6cc8
ChouJuGEO/docs/features/KEYWORD_MINING_FEATURE.md
T
刘国栋 8f7f082c3d feat: 重构项目结构并添加平台同步基础架构 
- 重构项目目录结构，将功能模块移至 modules/ 目录
- 创建平台同步基础架构，包括发布器基类和 GitHub 发布器
- 新增 UI 状态管理模块 (modules/ui/state.py) 统一管理会话状态
- 更新依赖配置，添加平台同步所需依赖 (httpx, pyperclip)
- 整理文档结构，将所有文档分类移至 docs/ 目录
- 添加 .cursorrules 文件定义项目开发规范
- 清理根目录重复文件，保持项目结构整洁
2026-01-30 10:21:29 +08:00

5.4 KiB
Raw Blame History

智能关键词挖掘与趋势分析功能文档

📋 功能概述

智能关键词挖掘与趋势分析功能帮助用户发现高价值关键词，分析竞争度，预测趋势，优化关键词策略，提升 ROI。

🎯 核心功能

1. 行业热点挖掘 🌐

  • 功能：基于行业趋势自动挖掘高价值关键词
  • 输入：行业领域、品牌信息、核心优势
  • 输出：挖掘的关键词列表，包含类别、意图、预估价值
  • 特点：
    • 使用 LLM 分析行业趋势
    • 覆盖不同搜索意图（对比、评测、使用、购买等）
    • 提供预估价值评分（1-10分）

2. 竞争度分析 📊

  • 功能：分析关键词在 AI 中的提及频率和竞争程度
  • 输入：关键词列表
  • 输出：每个关键词的竞争度分析结果
  • 指标：
    • 提及率：品牌在验证结果中的提及频率
    • 竞争级别：低/中/高
    • 竞品提及次数
    • 总提及次数
    • 数据点数量

3. 趋势预测 📈

  • 功能：基于历史数据预测关键词热度变化趋势
  • 输入：关键词列表、预测天数
  • 输出：每个关键词的趋势预测结果
  • 指标：
    • 趋势方向：上升/下降/稳定
    • 趋势强度：0-1
    • 预测提及率：未来 N 天的预测值
    • 置信度：预测的可靠程度
    • 当前提及率：当前的实际值

4. 价值矩阵分析 💎

  • 功能：分析关键词的价值和竞争度，找到最优投入策略
  • 输入：关键词列表、竞争度数据、预估价值（可选）
  • 输出：价值矩阵分析结果和智能推荐
  • 矩阵位置：
    • 高价值低竞争：强烈推荐，优先投入
    • 高价值高竞争：谨慎投入，需要持续优化
    • 低价值低竞争：可考虑，适合长尾策略
    • 低价值高竞争：不推荐，避免投入

5. 智能推荐 ⭐

  • 功能：基于价值矩阵、竞争度、趋势数据，智能推荐最优关键词
  • 算法：推荐分数 = 价值分数 - 竞争分数/2 + 趋势加分
  • 输出：按推荐度排序的关键词列表

🚀 使用指南

行业热点挖掘

  1. 进入 Tab1（关键词蒸馏）
  2. 滚动到"智能关键词挖掘与趋势分析"部分
  3. 点击"🌐 行业热点挖掘"标签页
  4. 输入行业领域（如：外贸ERP、AI工具、SaaS产品等）
  5. 设置挖掘数量（10-50个）
  6. 点击"🚀 开始挖掘"
  7. 查看挖掘结果，点击"添加"按钮将关键词添加到列表

竞争度分析

  1. 在"📊 竞争度分析"标签页
  2. 选择要分析的关键词（可多选）
  3. 点击"📊 开始分析"
  4. 查看分析结果：
    • 数据表格：显示每个关键词的竞争度指标
    • 可视化图表：柱状图展示竞争度对比

趋势预测

  1. 在"📈 趋势预测"标签页
  2. 选择要预测的关键词（可多选）
  3. 设置预测天数（7-90天）
  4. 点击"🔮 开始预测"
  5. 查看预测结果：数据表格显示趋势信息

价值矩阵分析

  1. 在"💎 价值矩阵分析"标签页
  2. 选择要分析的关键词（可多选）
  3. 点击"💎 开始分析"
  4. 查看分析结果：
    • 数据表格：显示价值矩阵数据
    • 散点图：可视化价值矩阵（X轴：竞争度，Y轴：价值）
    • 智能推荐：按推荐度排序的关键词列表

📊 数据说明

竞争度级别判断标准

  • 低竞争：提及率 ≥ 60%
  • 中竞争：提及率 30-60%
  • 高竞争：提及率 < 30%

价值矩阵位置判断

  • 高价值：价值分数 ≥ 6
  • 低价值：价值分数 < 6
  • 低竞争：竞争分数 ≤ 4
  • 高竞争：竞争分数 > 4

趋势预测算法

  • 使用简单线性回归分析历史数据
  • 基于时间序列的斜率判断趋势方向
  • 置信度基于数据点数量（10个数据点达到最高置信度）

⚠️ 注意事项

  1. 数据依赖

    • 竞争度分析需要历史验证数据
    • 趋势预测需要足够的历史数据点（建议至少 5 个）
    • 数据点越多，分析结果越准确

  2. 预估价值

    • 行业热点挖掘会提供预估价值
    • 如果没有预估价值，系统会基于提及率估算
    • 建议先进行行业热点挖掘，再进行分析

  3. 分析顺序建议

    • 先进行行业热点挖掘，发现新关键词
    • 然后进行竞争度分析，了解竞争情况
    • 再进行趋势预测，了解未来趋势
    • 最后进行价值矩阵分析，获得综合推荐

🎯 最佳实践

  1. 定期挖掘

    • 定期进行行业热点挖掘，发现新机会
    • 关注行业变化，及时更新关键词策略

  2. 综合分析

    • 结合竞争度、趋势、价值矩阵进行综合判断
    • 优先投入"高价值低竞争"的关键词

  3. 数据积累

    • 定期进行验证，积累历史数据
    • 数据越多，分析结果越准确

  4. 持续优化

    • 根据分析结果调整关键词策略
    • 关注趋势变化，及时调整投入

📈 预期效果

  • 发现蓝海关键词：通过行业热点挖掘发现高价值、低竞争的关键词
  • 优化投入分配：通过价值矩阵分析，将资源投入到最有价值的关键词
  • 预测未来趋势：提前布局上升趋势的关键词，避免投入下降趋势的关键词
  • 提升 ROI：数据驱动的关键词策略，最大化投入产出比

创建日期：2025-01-26
版本：1.0.0

Reference in New Issue View Git Blame Copy Permalink