1、邏輯結構設計外模式，對數據進行優化，轉化成什麼方式比較好
邏輯結構：實體的數據元素之間的邏輯關系，即人在對實體的性質理解的基礎上進行抽象的模型。物理結構：數據元素在計算機中的存儲方法，即計算機對數據的理解，邏輯結構在計算機語言中的映射。邏輯結構設計的任務是將基本概念模型圖轉換為與選用的數據模型相符合的邏輯結構。邏輯結構設計的步驟：概念模型、一般數據模型、特定的數據模型、優化的數據模型。物理設計的任務是根據具體計算機系統的特點，為給定的數據模型確定合理的存儲結構和存取方法。所謂的「合理」主要有兩個含義：一個是要使設計出的物理資料庫佔用較少的存儲空間，另一個對資料庫的操作具有盡可能高的速度，這兩者之間有一個平衡取捨的問題，要根據具體的問題和要求進行分析。
2、什麼樣的網站結構才會符合搜索引擎優化
一、網站的組成
seo網站結構優化說白了就是網站內部優化，網站包括最基本的網頁、網頁和網頁之間的超鏈接。大家通過瀏覽器所看到的畫面就是網頁，為了更豐富的呈現網站的內容，網頁上還會包括圖片、CSS文件、Flash、Javascript腳本、多媒體等等，有的網站還有系統程序和資料庫等組成部分。
二、網站的結構
我們都知道網站的結構一般分平面結構和樹形結構（立體形結構）。
1、平面結構：
一般的企業網站都是採用用平面結構，平面結構網站的特點：網頁數量不多，網站深度較淺（3級以內），各個頁面均在網站根目錄下。主要優點是結構簡單、維護
方便、各網頁之間鏈接密度較高，對搜索引擎友好，搜索蜘蛛容易爬滿整個網站，如果適當對網站增加外鏈容易提高網站的搜索排名，每個頁面的權重比較平均。缺
點是平面結構網站以後的升級擴充比較困難。
2、樹形結構：
一般適合大中型網站，樹形結構網站特點：網站首頁連向所有頻道，頻道和頻道之間相互鏈接，每個頁面鏈接首頁和所屬頻道，主要優點是，網站管理方便、容易擴充和升級、網站首頁容易獲得較高權重。樹形結構相對復雜，要注意以下幾點：
1. 網站首頁鏈向所有頻道主頁，對於重點推薦頻道在首頁可以增加語句通順的描述性文字、關鍵詞平穩的文字鏈接；
2. 首頁除鏈接重要表現的頁面或最近更新的頁面以外不要對站內其他頁面做過多鏈接，以免降低首頁權重；
3. 所有頁面都必須向網站首頁鏈接和本頻道主頁鏈接，不必要做頁面和頁面之間做鏈接，鏈接以關鍵詞作為描文本； 4. 頻道之間保持密切鏈接，每個頻道都能通過點擊一次到達任意頻道。
其實不管是平面結構還是樹形結構他都充分考慮到了搜索蜘蛛抓取網站結構的特性，充分迎合了搜索引擎。
3、什麼是網站結構，對SEO有什麼作用
網站結構包含：「物理結構」和「邏輯結構優化」兩部分。
物理結構優化網站物理結構指的是網站目錄及所包含文件所存儲的真實位置所表現出來的結構，物理結構一般包含兩種不同的表現形式：扁平式物理結構和樹形物理結構。
對於小型網站來說，所有網頁都存放在網站根目錄下，這種結構就是扁平式物理結構。採用扁平式物理結構的網站。
這種扁平式物理結構對搜索引擎而言是最為理想的，因為只要一次訪問即可遍歷所有頁面。但是，如果網站頁面比較多，太多的網頁文件都放在根目錄下的話，查找、維護起來就顯得相當麻煩，所以，扁平式物理結構一般適用於只有少量頁面的小型、微型站點。
對規模大一些的網站，往往需要二到三層甚至更多層級子目錄才能保證網頁的正常存儲，這種多層級目錄也叫做樹形物理結構：即根目錄下再細分成多個頻道或目錄，然後在每一個目錄下面再存儲屬於這個目錄的終極內容網頁。
採用樹形物理結構的好處是維護容易，但是搜索引擎的抓取將會顯得相對困難。互聯網上的網站，因為內容普遍比較豐富，所以大多都是採用樹形物理結構。
邏輯結構優化與網站的物理結構不同，網站的邏輯結構也稱為鏈接結構，主要是指有網頁內部鏈接所形成的邏輯結構，或者稱為鏈接結構。邏輯結構和物理結構的區別在於，邏輯結構由網站頁面的相互連接關系決定，而物理結構由網站頁面的物理存放地址決定。
在網站的邏輯結構中，通常採用「鏈接深度」來描述頁面之間的邏輯關系。「鏈接深度」指從源頁面到達目標頁面所經過的路徑數量，比如某網站的網頁A中，存在一個指向目標頁面B的鏈接，則從頁面A到頁面B的鏈接深度就是1。
和物理結構類似，網站的邏輯結構同樣可以分為扁平式和樹形兩種：
—扁平式邏輯結構：扁平式邏輯結構的網站，實際上就是網站中任意兩個頁面之間都可以相互連接，也就是說，網站中任意一個頁面都包含其他所有頁面的鏈接，網頁之間的鏈接深度都是1。網路上，很少有單純採用扁平式邏輯結構作為整站結構的網站。
—樹形邏輯結構：是指用分類、頻道等頁面，對同類屬性的頁面進行鏈接地址組織的網站結構。在樹形邏輯結構網站中，鏈接深度大多大於1。
4、如何選擇SVM，邏輯回歸和神經網路演算法
神經網路的設計要用到遺傳演算法，遺傳演算法在神經網路中的應用主要反映在3個方面：網路的學習，網路的結構設計，網路的分析。
1．遺傳演算法在網路學習中的應用
在神經網路中，遺傳演算法可用於網路的學習。這時，它在兩個方面起作用
(1)學習規則的優化
用遺傳演算法對神經網路學習規則實現自動優化，從而提高學習速率。
(2)網路權系數的優化
用遺傳演算法的全局優化及隱含並行性的特點提高權系數優化速度。
2．遺傳演算法在網路設計中的應用
用遺傳演算法設計一個優秀的神經網路結構，首先是要解決網路結構的編碼問題；然後才能以選擇、交叉、變異操作得出最優結構。編碼方法主要有下列3種：
(1)直接編碼法
這是把神經網路結構直接用二進制串表示，在遺傳演算法中，「染色體」實質上和神經網路是一種映射關系。通過對「染色體」的優化就實現了對網路的優化。
(2)參數化編碼法
參數化編碼採用的編碼較為抽象，編碼包括網路層數、每層神經元數、各層互連方式等信息。一般對進化後的優化「染色體」進行分析，然後產生網路的結構。
(3)繁衍生長法
這種方法不是在「染色體」中直接編碼神經網路的結構，而是把一些簡單的生長語法規則編碼入「染色體」中；然後，由遺傳演算法對這些生長語法規則不斷進行改變，最後生成適合所解的問題的神經網路。這種方法與自然界生物地生長進化相一致。
3．遺傳演算法在網路分析中的應用
遺傳演算法可用於分析神經網路。神經網路由於有分布存儲等特點，一般難以從其拓撲結構直接理解其功能。遺傳演算法可對神經網路進行功能分析，性質分析，狀態分析。
遺傳演算法雖然可以在多種領域都有實際應用，並且也展示了它潛力和寬廣前景；但是，遺傳演算法還有大量的問題需要研究，目前也還有各種不足。首先，在變數多，取值范圍大或無給定范圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最擾解位置；最後，遺傳演算法的參數選擇尚未有定量方法。對遺傳演算法，還需要進一步研究其數學基礎理論；還需要在理論上證明它與其它優化技術的優劣及原因；還需研究硬體化的遺傳演算法；以及遺傳演算法的通用編程和形式等。