首頁聚合
1. 請問在Discuz!NT 的聚合首頁里實現如下圖的效果呢
這個需要修改模板的顯示就可以了，然後再生成一下，這個只是展示內容的不同
2. 什麼是聚合頁面
第一種解釋：聚合頁就相當於你看見門戶網站的專題頁，頁面內容是有針對性的根據主題重新調用過來聚合而成的。這種頁面的主題相關度更高，內容質量更專業一些。
第二中解釋：聚合頁是指網站現有的頁面做個整合，也就是把一些相關的東西整合在一起變成一個網頁，前提是你的網站內容資源要夠充足。當然，還有文章內容的聚合，即：圍繞一個主題有很多內容，將這些內容整合在一起變成一個文章，典型案例：網路。
可以通過專題，TAG標簽，組合搜索頁面來實現。
3. 請問下有沒有翻譯的聚合網址呀，就是把有道，百度，搜狗翻譯的內容放到一個顯示欄
你可以分別打開這些網站然後收藏起來啊，這樣就會都顯示在你的瀏覽器首頁的上方啦！！！
4. 關於discuz 和 supesite 聚合的問題，朋友們指點下！
supersite已經停止開發了，建議換一個cms
首先我們了解一下什麼是聚合頁面：
說的通熟易懂一點就是把網站現在本身已經存在的頁面做成一個新的頁面。比如說，你有二個頁面你把這二個不同的頁面放到一起組成一個新的頁面，那麼他就是一個聚合頁面。當然有個前提就是你的網站頁面基數要夠大，如果數量不夠的話就很容易被判斷為內容重復了，如果你有10000篇文章頁面，你把這10000篇組成不同的1000個頁面你就有1000個聚合頁面。
最為常見的聚合頁面就是TAG頁面，如圖：
這些商品列表頁是網站本身就存在的，也就是說通過網站本身的商品列表頁生成了這個聚合頁面，這個B2B網站有大量的商品列表頁生成了大量聚合頁面，通過這些聚合頁面來做長尾關鍵詞的排名，從而達到流量的增長。
6. 不裝優酷 愛奇藝，騰訊app，要看電影電視綜藝就用瀏覽器首頁的視頻，聚合不少資源，這樣可以嗎
只要能播放視頻，裝不裝APP都沒關系，而且國內APP大多流氓行為，很占空間和電量
7. 什麼是網站的聚合頁，欄目頁，詳情頁
聚合頁面就是資訊信息的集合頁面，如列表頁，或者是專題頁都可以叫聚合頁
欄目頁就是一個欄目的首頁，如網路的網路知道頁面，也可以是知道的欄目頁面
詳情頁也可以叫內容頁，就是一篇文章或者是一個商品的詳細介紹頁面。能在一個頁面上把內容都展現出來。
8. 互聯網頁面的分類有哪些聽說過分類頁，聚合頁，列表業等，但具體不知道指的是什麼，請高人指教
你問的問題有些描述不清，下面給你個參考吧
1. 技術背景
分類問題是人類所面臨的一個非常重要且具有普遍意義的問題。將事物正確的分類，有助於人們認識世界，使雜亂無章的現實世界變得有條理。自動文本分類就是對大量的自然語言文本按照一定的主題類別進行自動分類，它是自然語言處理的一個十分重要的問題。文本分類主要應用於信息檢索，機器翻譯，自動文摘，信息過濾，郵件分類等任務。文本分類的一個關鍵問題是特徵詞的選擇問題及其權重分配。
在搜索引擎中，文本分類主要有這些用途：相關性排序會根據不同的網頁類型做相應的排序規則；根據網頁是索引頁面還是信息頁面，下載調度時候會做不同的調度策略；在做頁面信息抽取的時候，會根據頁面分類的結果做不同的抽取策略；在做檢索意圖識別的時候，會根據用戶所點擊的url所屬的類別來推斷檢索串的類別等等。
2. 自動分類的原理和步驟
在分類的時候首先會遇到文檔形式化表示的問題，文檔模型有3種：向量空間模型，布爾模型和概率模型，其中我們常用的是向量空間模型。向量空間模型的核心描述如下：
•文檔（Document）：文本或文本中的片斷（句子或段落）。
•特徵項（Term）：文檔內容用它所包含的基本語言單位來表示，基本語言單位包括字、詞、片語、短語、句子、段落等，統稱為特徵項。
•特徵項權重（Term Weight）：不同的特徵項對於文檔D的重要程度不同，用特徵項Tk附加權重Wk 來進行量化，文檔D可表示為（T1，W1；T2，W2；…；Tn，Wn）
•向量空間模型（Vector Space Model）：對文檔進行簡化表示，在忽略特徵項之間的相關信息後，一個文本就可以用一個特徵向量來表示，也就是特徵項空間中的一個點；而一個文本集可以表示成一個矩陣，也就是特徵項空間中的一些點的集合。
•相似度（Similarity）：相似度Sim（D1，D2）用於度量兩個文檔D1和D2之間的內容相關程度。當文檔被表示為文檔空間的向量，就可以利用歐氏距離、內積距離或餘弦距離等向量之間的距離計算公式來表示文檔間的相似度。
其中特徵選取是文本表示的關鍵，方法包括：文檔頻率法（DF）、信息增益法和互信息法等等。
在做特徵選取之前，一般還要進行預處理的工作，要對先對網頁降噪。另外在實際的分類中，除了利用文檔的內容特徵之外，可能還會用到實際應用中所特有的特徵，比如在網頁分類中，可能用到url的特徵、html的結構特徵和標簽特徵等信息。
分類的基本步驟是這樣的：定義分類體系，將預先分類過的文檔作為訓練集，從訓練集中得出分類模型，然後用訓練獲得出的分類模型對其它文檔加以分類。
3. 常用的分類演算法
文檔自動分類是學術界研究多年，技術上比較成熟的一個領域。目前分類演算法主要分下面這些：
其中比較常用的是：支持向量機（SVM）方法、樸素貝葉斯(NB)方法、神經網路（NN）方法、K近鄰（KNN）方法、決策樹（Decision Tree）方法等。
•支持向量機（Support Vector Machines, SVM）由Vapnik在1995年提出，用於解決二分類模式識別問題。它通過尋找支持向量來確定決策面，並使分類間隔最大。SVM方法提供了解決 「維數災難」問題的方法。SVM方法較好的理論基礎和它在一些領域的應用中表現出來的優秀的泛化性能，盡管SVM演算法的性能在許多實際問題的應用中得到了驗證，但是該演算法在計算上存在著一些問題，包括訓練演算法速度慢、演算法復雜而難以實現以及檢測階段運算量大等等。
•樸素貝葉斯(Naive Bayes，NB) 概率分類器是機器學習中很常用的一種方法，其基本思想是利用單詞和分類的聯合概率來估計給定文檔的分類概率。
貝葉斯公式：P(C|X)*P(X)=P(X|C)*P(C)
特徵向量：X=(x1,x2,x3…) C={C1,C2,……}
其中P(C)是每個類別的先驗概率，即，互聯網上各個分類所佔總頁面的比例
P(X|C)：條件概率，表示在類別為C的訓練集合中，X的分布情況。
P(X)：每個特徵值的分布，由於特徵值的分布是隨機的，所以P(X)相等
•神經網路（Neural network，NN）技術是人工智慧中的成熟技術。將神經網路用於文檔分類時，需要為每個分類建立一個神經網路，通過學習得到從輸入單詞（或者更復雜的特徵詞向量）到分類的非線性映射。其計算量和訓練時間非常龐大。
•KNN是著名的模式識別統計學方法，已經有四十年歷史，它是最好的文本分類演算法之一。KNN演算法相當簡單：給定一個測試文檔，系統在訓練集中查找離它最近的k個鄰居，並根據這些鄰居的分類來給該文檔的候選分類評分。把鄰居文檔和測試文檔的相似度作為鄰居文檔所在分類的權重。如果這k個鄰居中的部分文檔屬於同一個分類，則該分類中的每個鄰居的權重求和並作為該分類和測試文檔的相似度。該方法的特點是允許文檔可以屬於多個分類。KNN通過查詢已知類似的例子的情況，來判斷新例子與已知例子是否屬於同一類。
通過我們對現實網頁的分類測試情況看，這些方法中SVM方法的效果是比較好的，但是性能不高; 樸素貝葉斯的分類效果雖然略差於SVM，但是性能上要好很多。
4. 網頁分類應用
4.1 分類演算法
實際應用中, 除了分類效果外, 速度是一個需要重點考慮的因素。
4.2 分類類別
在搜索引擎中, 在不同的應用場景下, 會有不同的分類的標准, 比如在鏈接調度中需要信息頁、索引頁這樣的分類，不同類型的頁面更新調度的周期不一樣；排序對分類的要求又不同, 比如按表現形式分圖片、視頻等；按網站類型分為論壇、博客等，不同類型的頁面抽取策略也會不盡相同；再按內容主題分成小說、招聘和下載等類別。對網頁從多個維度進行分類，能更好給用戶提供更為貼切的檢索結果。
4.3 特徵選取
在學術研究中, 一般比較重視分類演算法的研究,在特徵選擇上比較忽視。傳統的特徵選擇一般是用TF*IDF等方法選擇內容關鍵字等，這也是我們使用的一個重要因子， 但是除內容特徵之外，我們還會用到很多其它特徵，比如：網站特徵、html特徵和url特徵等，這些特徵會明顯的提高分類的准確率和召回率。
9. 網站內容頁和聚合頁指的是什麼
內容頁指的是網站的內容，就一篇文章或一款產品的詳細介紹；
聚合頁，字面理解就是將所有的頁面匯聚在一起，就像網站的首頁那樣的