1、逻辑结构设计外模式，对数据进行优化，转化成什么方式比较好
逻辑结构：实体的数据元素之间的逻辑关系，即人在对实体的性质理解的基础上进行抽象的模型。物理结构：数据元素在计算机中的存储方法，即计算机对数据的理解，逻辑结构在计算机语言中的映射。逻辑结构设计的任务是将基本概念模型图转换为与选用的数据模型相符合的逻辑结构。逻辑结构设计的步骤：概念模型、一般数据模型、特定的数据模型、优化的数据模型。物理设计的任务是根据具体计算机系统的特点，为给定的数据模型确定合理的存储结构和存取方法。所谓的“合理”主要有两个含义：一个是要使设计出的物理数据库占用较少的存储空间，另一个对数据库的操作具有尽可能高的速度，这两者之间有一个平衡取舍的问题，要根据具体的问题和要求进行分析。
2、什么样的网站结构才会符合搜索引擎优化
一、网站的组成
seo网站结构优化说白了就是网站内部优化，网站包括最基本的网页、网页和网页之间的超链接。大家通过浏览器所看到的画面就是网页，为了更丰富的呈现网站的内容，网页上还会包括图片、CSS文件、Flash、Javascript脚本、多媒体等等，有的网站还有系统程序和数据库等组成部分。
二、网站的结构
我们都知道网站的结构一般分平面结构和树形结构（立体形结构）。
1、平面结构：
一般的企业网站都是采用用平面结构，平面结构网站的特点：网页数量不多，网站深度较浅（3级以内），各个页面均在网站根目录下。主要优点是结构简单、维护
方便、各网页之间链接密度较高，对搜索引擎友好，搜索蜘蛛容易爬满整个网站，如果适当对网站增加外链容易提高网站的搜索排名，每个页面的权重比较平均。缺
点是平面结构网站以后的升级扩充比较困难。
2、树形结构：
一般适合大中型网站，树形结构网站特点：网站首页连向所有频道，频道和频道之间相互链接，每个页面链接首页和所属频道，主要优点是，网站管理方便、容易扩充和升级、网站首页容易获得较高权重。树形结构相对复杂，要注意以下几点：
1. 网站首页链向所有频道主页，对于重点推荐频道在首页可以增加语句通顺的描述性文字、关键词平稳的文字链接；
2. 首页除链接重要表现的页面或最近更新的页面以外不要对站内其他页面做过多链接，以免降低首页权重；
3. 所有页面都必须向网站首页链接和本频道主页链接，不必要做页面和页面之间做链接，链接以关键词作为描文本； 4. 频道之间保持密切链接，每个频道都能通过点击一次到达任意频道。
其实不管是平面结构还是树形结构他都充分考虑到了搜索蜘蛛抓取网站结构的特性，充分迎合了搜索引擎。
3、什么是网站结构，对SEO有什么作用
网站结构包含：“物理结构”和“逻辑结构优化”两部分。
物理结构优化网站物理结构指的是网站目录及所包含文件所存储的真实位置所表现出来的结构，物理结构一般包含两种不同的表现形式：扁平式物理结构和树形物理结构。
对于小型网站来说，所有网页都存放在网站根目录下，这种结构就是扁平式物理结构。采用扁平式物理结构的网站。
这种扁平式物理结构对搜索引擎而言是最为理想的，因为只要一次访问即可遍历所有页面。但是，如果网站页面比较多，太多的网页文件都放在根目录下的话，查找、维护起来就显得相当麻烦，所以，扁平式物理结构一般适用于只有少量页面的小型、微型站点。
对规模大一些的网站，往往需要二到三层甚至更多层级子目录才能保证网页的正常存储，这种多层级目录也叫做树形物理结构：即根目录下再细分成多个频道或目录，然后在每一个目录下面再存储属于这个目录的终极内容网页。
采用树形物理结构的好处是维护容易，但是搜索引擎的抓取将会显得相对困难。互联网上的网站，因为内容普遍比较丰富，所以大多都是采用树形物理结构。
逻辑结构优化与网站的物理结构不同，网站的逻辑结构也称为链接结构，主要是指有网页内部链接所形成的逻辑结构，或者称为链接结构。逻辑结构和物理结构的区别在于，逻辑结构由网站页面的相互连接关系决定，而物理结构由网站页面的物理存放地址决定。
在网站的逻辑结构中，通常采用“链接深度”来描述页面之间的逻辑关系。“链接深度”指从源页面到达目标页面所经过的路径数量，比如某网站的网页A中，存在一个指向目标页面B的链接，则从页面A到页面B的链接深度就是1。
和物理结构类似，网站的逻辑结构同样可以分为扁平式和树形两种：
—扁平式逻辑结构：扁平式逻辑结构的网站，实际上就是网站中任意两个页面之间都可以相互连接，也就是说，网站中任意一个页面都包含其他所有页面的链接，网页之间的链接深度都是1。网络上，很少有单纯采用扁平式逻辑结构作为整站结构的网站。
—树形逻辑结构：是指用分类、频道等页面，对同类属性的页面进行链接地址组织的网站结构。在树形逻辑结构网站中，链接深度大多大于1。
4、如何选择SVM，逻辑回归和神经网络算法
神经网络的设计要用到遗传算法，遗传算法在神经网络中的应用主要反映在3个方面：网络的学习，网络的结构设计，网络的分析。
1．遗传算法在网络学习中的应用
在神经网络中，遗传算法可用于网络的学习。这时，它在两个方面起作用
(1)学习规则的优化
用遗传算法对神经网络学习规则实现自动优化，从而提高学习速率。
(2)网络权系数的优化
用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度。
2．遗传算法在网络设计中的应用
用遗传算法设计一个优秀的神经网络结构，首先是要解决网络结构的编码问题；然后才能以选择、交叉、变异操作得出最优结构。编码方法主要有下列3种：
(1)直接编码法
这是把神经网络结构直接用二进制串表示，在遗传算法中，“染色体”实质上和神经网络是一种映射关系。通过对“染色体”的优化就实现了对网络的优化。
(2)参数化编码法
参数化编码采用的编码较为抽象，编码包括网络层数、每层神经元数、各层互连方式等信息。一般对进化后的优化“染色体”进行分析，然后产生网络的结构。
(3)繁衍生长法
这种方法不是在“染色体”中直接编码神经网络的结构，而是把一些简单的生长语法规则编码入“染色体”中；然后，由遗传算法对这些生长语法规则不断进行改变，最后生成适合所解的问题的神经网络。这种方法与自然界生物地生长进化相一致。
3．遗传算法在网络分析中的应用
遗传算法可用于分析神经网络。神经网络由于有分布存储等特点，一般难以从其拓扑结构直接理解其功能。遗传算法可对神经网络进行功能分析，性质分析，状态分析。
遗传算法虽然可以在多种领域都有实际应用，并且也展示了它潜力和宽广前景；但是，遗传算法还有大量的问题需要研究，目前也还有各种不足。首先，在变量多，取值范围大或无给定范围时，收敛速度下降；其次，可找到最优解附近，但无法精确确定最扰解位置；最后，遗传算法的参数选择尚未有定量方法。对遗传算法，还需要进一步研究其数学基础理论；还需要在理论上证明它与其它优化技术的优劣及原因；还需研究硬件化的遗传算法；以及遗传算法的通用编程和形式等。